交易中的机器学习:理论、模型、实践和算法交易 - 页 2764 1...275727582759276027612762276327642765276627672768276927702771...3399 新评论 Evgeni Gavrilovi 2022.09.28 10:23 #27631 超采样后,预测因子的新预测能力是否有价值?谁考虑过这个问题? СанСаныч Фоменко 2022.09.28 10:28 #27632 Evgeni Gavrilovi #: 超采样后,预测因子的新预测能力是否有价值?谁想过这个问题? 没有。已检查。 Ivan Butko 2022.09.28 11:17 #27633 只是一个奇怪的事实:神经网络确定的 "马什卡 "重要性,周期短于周期长。)这似乎与通常的理解有出入:交易者通常认为 "重型 "mashka 更为重要,如果是公牛,价格会用牛角拍打它,如果是熊,价格会用熊掌碾压它。 下面是周期为 512-256-128-64-32-16-16-8-4-4-2-1 的 mashka 及其重要性输入(此处 OUT 也是输入)。 mytarmailS 2022.09.28 11:51 #27634 Ivan Butko #: 一个令人好奇的事实是:神经网络在确定马沙的重要性时,周期短于周期长。)有点出入,...... 它说对了...慢过程是快过程的结果,反之亦然...你可以通过抽搐来预测抽搐,但不能通过抽搐来预测抽搐。所以在这种情况下,玛什卡的速度越快越好。而事实上,长周期的 Mashka 对交易者很重要,这是不一样的,从一个非常慢的 Mashka 反弹是一个罕见的事件,比如说 500 个交易条中才有一次,而你可能会预测每一个新的交易条,你明白这其中的区别吗?因此,神经元不会说谎,问题在于实验。 Ivan Butko 2022.09.28 12:43 #27635 mytarmailS #:慢速飞行,这是一种罕见的情况,比如说每 500 小节才发生一次,而你却在预测每一个新的小节? 根据我的观察,如果在神经网络中加入一些 "斧头"、"重物",但又与交易工具相关,那么一方面会扭曲训练后回测的平衡线。但是!它也会使正向线趋于平衡,不再每次都跌到底部,而是趋于平缓。也就是说,粗略地说,我们不会赚钱,但也不会损失全部资金,这是交易的第一法则。事实证明,我们应该朝着这个方向玩杂耍,因为接下来的任务是让平衡线向上。 Valeriy Yastremskiy 2022.09.28 12:45 #27636 Maxim Dmitrievsky #:我不知道你在说什么。 我不使用时间,它是内置在增量中的。 上次的交易时间是具体的,我不记得是按星期几了,但肯定是按每天的时间,从 17 点到 18 点这样。即,手动细分时间或其他,但在特定时间段进行最终培训。 一般来说,"如果增量在这样那样的时间间隔内是这样那样的 "这一构造是在不分割成时间片段的情况下使用的,还是先找到有东西在上面的时间片段,然后在上面进行训练? Valeriy Yastremskiy 2022.09.28 12:46 #27637 СанСаныч Фоменко #:不使用基于时间的标志。它们的预测能力较低,而且预测能力差异很大。尽管它们比 mashka 变体要好。 谢谢。 Maxim Dmitrievsky 2022.09.28 12:55 #27638 Valeriy Yastremskiy #:上次的交易时间很具体,我不记得星期几了,但准确地说是每天的 17 点到 18 点。即手动或其他方式,但在特定时间段进行最终培训。一般来说,如果增量在这样那样的时间间隔内是这样那样的,那么在不分割成时间段的情况下,或者先找到有东西在上面的时间段,然后在上面进行训练的情况下,会使用这样的构造吗? 能给我一个链接吗,我不知道我们在说什么。 JeeyCi 2022.09.28 12:57 #27639 Evgeni Gavrilovi #: 超采样后,预测因子的 新 预测能力 是否有价值?谁考虑过这个问题? SanSanych Fomenko#: 不会改变。已检查。 如果一个人不区分共变和相关,我甚至不会问他中位数是什么意思。 SanSanych Fomenko#: ,但 "预测能力",理解为两个向量之间的中位数之差,通过将预测者除以类别而得到,是绝对准确的。 通过描述,这就是 "线"。在 ML 中,它只是任何分类算法中的一个阈值....。 如果他做了标准的组间方差分析,他就能估计出统计显著性,当然超采样对他来说没有任何改变(它只是计算正确猜测类别成员的百分比)....。 在他提到协方差图片 后,我可以清楚地指出,他是在比较苍蝇和肉片......这证明了他的这个问题(他忘记和记住相关性的能力很差)。 SanSanych Fomenko#: 1.您知道实际变量和名义变量之间的相关性吗? 我知道 OLS 和 ANOVA 以及对其估计值显著性的解释,而重新取样并不能改变你的 "能力 "这一事实只能说明,"if-then "函数足以让你不去建立模型(甚至试图忽略建模的统计基础),也无法估计你的 classDist 结果的显著性系数,而只能估计它给出的可靠答案的百分比....。 ==基本概念中的苍蝇和肉片难以区分的问题也同样存在,而关于 "工具 "的呼声却有高有低....嗯,是的,有30%的概率(有些工具还是略有区别的)--也许 "什么也不做 "有70%的猜测是有区别的? 它只是无法从其算法中获取重采样过程中系数_值的变化......根据定义 Машинное обучение в трейдинге: теория, модели, практика и алготорговля - Проверьте, какие признаки больше подходят под конкретные целевые. Сделайте информативную разметку фича-целевая сразу. 2022.09.27www.mql5.com а сделать информативную разметку фича-целевая сразу. - это по приведенным мною картинкам, которые и делают информативную разметку фича-целевая сразу. Там не увидел разметку целевой для конкретных признаков Valeriy Yastremskiy 2022.09.28 13:11 #27640 Maxim Dmitrievsky #:能给我一个链接吗? 我不买,你在说什么? 我在这里找不到信件 我这里有2020年7月的文件 附加的文件: st_hours.mq5 4 kb EURUSD.mqh 233 kb 1...275727582759276027612762276327642765276627672768276927702771...3399 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
超采样后,预测因子的新预测能力是否有价值?谁想过这个问题?
没有。已检查。
下面是周期为 512-256-128-64-32-16-16-8-4-4-2-1 的 mashka 及其重要性输入(此处 OUT 也是输入)。
一个令人好奇的事实是:神经网络在确定马沙的重要性时,周期短于周期长。)有点出入,......
根据我的观察,如果在神经网络中加入一些 "斧头"、"重物",但又与交易工具相关,那么一方面会扭曲训练后回测的平衡线。但是!它也会使正向线趋于平衡,不再每次都跌到底部,而是趋于平缓。也就是说,粗略地说,我们不会赚钱,但也不会损失全部资金,这是交易的第一法则。事实证明,我们应该朝着这个方向玩杂耍,因为接下来的任务是让平衡线向上。
我不知道你在说什么。
我不使用时间,它是内置在增量中的。上次的交易时间是具体的,我不记得是按星期几了,但肯定是按每天的时间,从 17 点到 18 点这样。即,手动细分时间或其他,但在特定时间段进行最终培训。
一般来说,"如果增量在这样那样的时间间隔内是这样那样的 "这一构造是在不分割成时间片段的情况下使用的,还是先找到有东西在上面的时间片段,然后在上面进行训练?
不使用基于时间的标志。它们的预测能力较低,而且预测能力差异很大。尽管它们比 mashka 变体要好。
谢谢。
上次的交易时间很具体,我不记得星期几了,但准确地说是每天的 17 点到 18 点。即手动或其他方式,但在特定时间段进行最终培训。
一般来说,如果增量在这样那样的时间间隔内是这样那样的,那么在不分割成时间段的情况下,或者先找到有东西在上面的时间段,然后在上面进行训练的情况下,会使用这样的构造吗?
能给我一个链接吗,我不知道我们在说什么。
超采样后,预测因子的 新 预测能力 是否有价值?谁考虑过这个问题?
不会改变。已检查。
如果一个人不区分共变和相关,我甚至不会问他中位数是什么意思。
,但 "预测能力",理解为两个向量之间的中位数之差,通过将预测者除以类别而得到,是绝对准确的。
通过描述,这就是 "线"。在 ML 中,它只是任何分类算法中的一个阈值....。
如果他做了标准的组间方差分析,他就能估计出统计显著性,当然超采样对他来说没有任何改变(它只是计算正确猜测类别成员的百分比)....。
在他提到协方差图片 后,我可以清楚地指出,他是在比较苍蝇和肉片......这证明了他的这个问题(他忘记和记住相关性的能力很差)。
1.您知道实际变量和名义变量之间的相关性吗?
我知道 OLS 和 ANOVA 以及对其估计值显著性的解释,而重新取样并不能改变你的 "能力 "这一事实只能说明,"if-then "函数足以让你不去建立模型(甚至试图忽略建模的统计基础),也无法估计你的 classDist 结果的显著性系数,而只能估计它给出的可靠答案的百分比....。
==基本概念中的苍蝇和肉片难以区分的问题也同样存在,而关于 "工具 "的呼声却有高有低....嗯,是的,有30%的概率(有些工具还是略有区别的)--也许 "什么也不做 "有70%的猜测是有区别的?
它只是无法从其算法中获取重采样过程中系数_值的变化......根据定义
能给我一个链接吗? 我不买,你在说什么?
我在这里找不到信件 我这里有2020年7月的文件