交易中的机器学习：理论、模型、实践和算法交易 - 页 303 1...296297298299300301302303304305306307308309310...3399 新评论 toxic 2017.03.30 08:11 #3021 尤里-阿索连科。 这当然是真的。但高的进入门槛增加了各种风险。不一定是财务问题。诚然，上面所说的也可以用一种平庸的形式来表达："利润是合理风险的单调函数"，这不仅适用于贸易，而且适用于所有人类活动，此外，众所周知，那些认为自己根本没有风险的人，例如，选择一个没有竞争力的职业，依靠国家养老金，是极端的人）））。那么什么是 "没有 "风险的生活呢？这一点也不有趣，因为它的结局对每个人都是一样的。 Mihail Marchukajtes 2017.03.30 08:20 #3022 嗯，我的文章确实涵盖了置信区间 等等。我强烈建议你仔细阅读，你可以从中获得很多东西。 СанСаныч Фоменко 2017.03.30 08:53 #3023 尤里-阿索连科。我所说的系统性方法确实是指了解你在做什么，因此能够计划和预测你的行动结果。谢谢你的文章。由于我不熟悉任何特定的软件，它非常适合初学者--简单而清晰。我唯一不明白的是使用哪种方法，回归还是分类？ 自然，我立即开始在自己的系统上尝试。如果任何问题是麻烦的，可能会随着游戏的进行而被发现。1.我不使用蜡烛图进场和出场--只使用报价流，而蜡烛图只在前一个蜡烛图的历史上出现。虽然我可以让它按烛台学习，但如何让Rattle吞下当前烛台内的烛台报价流，仍然是个谜。应该以某种方式分析烛台的流动。2.如何处理可重建的预测器？例如，用回归线和sigmas。你甚至不能把它们粘贴到历史中去（用于学习），我们需要的是能即时计算它们并从历史中删除其痕迹的函数。同样，还有一些闪闪发光的预测者，它们并不总是存在，是由系列的某些点建立起来的，总的来说也可以在剧中重建。4 第2项和第3项的预测因子的正常化问题--从根本上说是不可能的。而且在训练和工作过程中都应该计算关于预测因素的历史。到目前为止，我们只有混乱的局面。 异响在两种情况下是好的。当我们第一次相识的时候。尝试......当你知道问题所在时......。1.回归或分类。这决定了目标变量的类型。一个实数就是回归。名义（因素）--分类。2.从目标变量开始。虽然看起来很简单，但这是一个复杂的问题。你要预测什么？方向？ 幅度，过度，水平......3.预测因素。你必须证明它们与目标变量 "相关"。这是最难的部分。 我在这个问题上花了高达70%的时间。我在这个主题中写了很多关于它的内容。4.对统计资料不满意。这就是离开到R的原因。rattle让你更容易去做R，因为它记录了你在R上的所有操作，这些完成的代码可以用来修改。一般来说，下一步是关心。 Yuriy Asaulenko 2017.03.30 10:47 #3024 桑桑尼茨-弗门科。 2.你必须从目标变量开始。尽管它表面上很简单，但这是一个相当复杂的问题。你要预测什么？方向？ 幅度，过度，水平......看起来一切都需要预测）。现在有大约30个 "指标"（更正确地称为预测器）在模型中（不是MO）+它们的相互处理和逻辑。本来应该是+10的。人工处理这样的数量，并理解每个预测器对整体的贡献，已经不现实了。因此，顺便说一下，使用MO的想法。一切仍然处于非常早期的阶段。桑桑尼茨-弗门科。3.预测因素。你必须证明它们与目标变量 "相关"。这是最难的。 我在这个问题上花了高达70%的时间。我已经在主题中写了很多关于它的内容。是的，我得改编一下。看起来你不能只是把它插进去）。桑桑尼茨-弗门科。4.对静止的情况不满意。这就是离开到R的原因。rattle简化了这种离开到R的过程，因为它记录了你在R上的所有操作，而且这些准备好的代码可以用来修改。实际上，下一步是caret。明白了。 СанСаныч Фоменко 2017.03.31 11:31 #3025 有趣的表格，最常使用的MO包类名称包装下载遗留的.coxph考克斯比例危险模型生存153681分类.naiveBayes奈何贝叶斯e1071102249classif.svm支持向量机（libsvm）e1071102249classif.lda线性判别分析硕士55852classif.qda二次方判别分析硕士55852classif.randomForest随机森林随机森林52094classif.gausspr高斯过程实验中心44812classif.ksvm支持向量机实验中心44812classif.lssvm最小二乘法支持向量机实验中心44812cluster.kkmeans内核 K-Means实验中心44812ǞǞǞǞ相关性向量机实验中心44812classif.cvglmnet带有Lasso或Elasticnet正则化的GLM（交叉验证的Lambda）。糯米网41179classif.glmnet带有Lasso或Elasticnet正则化的GLM糯米网41179surv.cvglmnet带有规范化的GLM（交叉验证的Lambda）。糯米网41179surv.glmnet有规则化的GLM糯米网41179分类法.cforest基于条件推理树的随机森林党36492分类的ctree条件推理树党36492共和国基于条件推理树的随机森林党36492淘宝网基于模型的递归划分，产生一个与每个终端节点相关的拟合模型的树。党，模型工具36492surv.cforest基于条件推理树的随机森林派对,生存36492 Machine learning in trading: Mihail Marchukajtes 2017.03.31 12:29 #3026 桑桑尼茨-弗门科。有趣的表格，最常使用的MO包类名称包装下载遗留.coxph考克斯比例危险模型生存153681分类.naiveBayes奈何贝叶斯e1071102249classif.svm支持向量机（libsvm）e1071102249classif.lda线性判别分析硕士55852classif.qda二次方判别分析硕士55852classif.randomForest随机森林随机森林52094classif.gausspr高斯过程实验中心44812classif.ksvm支持向量机实验中心44812classif.lssvm最小二乘法支持向量机实验中心44812cluster.kkmeans内核 K-Means实验中心44812ǞǞǞǞ相关性向量机实验中心44812classif.cvglmnet带有Lasso或Elasticnet正则化的GLM（交叉验证的Lambda）。糯米网41179classif.glmnet带有Lasso或Elasticnet正则化的GLM糯米网41179surv.cvglmnet带有规范化的GLM（交叉验证的Lambda）。糯米网41179surv.glmnet有规则化的GLM糯米网41179分类法.cforest基于条件推理树的随机森林党36492分类法.ctree条件推理树党36492共和国基于条件推理树的随机森林党36492淘宝网基于模型的递归划分，产生一个与每个终端节点相关的拟合模型的树。党，模型工具36492surv.cforest基于条件推理树的随机森林派对,生存36492 忘了在名单中加入另一个人。啊，是的，我有一个独特的软件，可以说是罕见的：-) Mihail Marchukajtes 2017.03.31 14:03 #3027 尤里-阿索连科。看起来一切都需要预测）。现在有大约30个 "指标"（更正确地称为预测器）在模型中（不是MO）+它们的相互处理和逻辑。本来应该是+10的。人工处理这样的数量，并且仍然了解每个预测器对整体的贡献，已经不再现实。因此，顺便说一下，使用MO的想法。一切仍然处于非常早期的阶段。桑桑尼茨-弗门科。3.预测因素。你必须证明它们与目标变量 "相关"。这是最难的。 我在这个问题上花了高达70%的时间。我已经在主题中写了很多关于它的内容。是的，我得改编一下。看起来你不能只是把它插进去）。桑桑尼茨-弗门科。4.对静止的情况不满意。这就是离开到R的原因。rattle简化了这种离开到R的过程，因为它记录了你在R上的所有操作，而且这些准备好的代码可以用来修改。实际上，下一步是caret。明白了。我将加入我的5戈比。事实上，你需要提供这样的输入，这将导致不是输出变量，而是价格！这就是所谓的 "价格"。那么任何TS都会被训练得很好。目标函数的例子。最明显的SIGNAL BETTER， 那么会不会有回调到某一水平，今天会达到哪个水平，等等。阅读我的文章不要偷懒，我提到了。因此，对于所有这些目标函数，我给出了相同的输入，所有模型的运行都相当令人满意。而且你可以看到同样的投入是如何看待市场的。这里是利润，这里是回撤，这里是水平。他们工作得很好，因为条目是价格的原因。稍微解释一下，原因是当入口的变化导致价格的变化，而不是反过来。这可能非常令人困惑，因为TS的统计数据本身就非常糟糕。因为Zscore所取的值正是价格所告诉它的，而不是反过来。例如，delta是价格变化的原因。:-) Yuriy Asaulenko 2017.03.31 15:10 #3028 Mihail Marchukajtes:我给你我的五分钱。你真正需要做的是提供输入，这不是输出变量的原因，而是PRICE的原因!那么任何TS都会训练得很好。目标函数的例子。最明显的SIGNAL BETTER， 那么会不会有回调到某一水平，会达到今天的哪个水平，等等。阅读我的文章不要偷懒，我提到了。因此，对于所有这些目标函数，我给出了相同的输入，所有模型的运行都相当令人满意。而且你可以看到同样的投入是如何看待市场的。这里是利润，这里是回撤，这里是水平。他们工作得很好，因为条目是价格的原因。稍微解释一下，原因是当入口的变化导致价格的变化，而不是反过来。这可能非常令人困惑，因为TS的统计数据本身就非常糟糕。因为Zscore完全是按照价格告诉它的价值，而不是反过来。例如，delta是价格变化的原因。:-)我已经读了你的文章，如果你指的是上一页的链接。也许我错过了什么。我将重读它。当然，预测器的存在是为了预测价格走势。但他们的叠加+价格给出了入市的信号，即他们预测了初始（训练）黑盒的反应。这个问题类似于先有鸡还是先有蛋？也许这种分歧纯粹是一个术语的问题。从意识形态的角度来看，至少在具有刚性逻辑的系统中，预测价格是比较正确的，而输出变量已经是处理的结果。 Mihail Marchukajtes 2017.03.31 15:20 #3029 尤里-阿索连科。你的文章，如果你指的是上一页的链接，已经被阅读了。我可能错过了什么。我将重读它。是的，当然，预测器的存在是为了预测价格的变化。但他们的叠加+价格给出了一个进场的信号，即他们预测了初始（训练）黑箱的反应。这个问题类似于先有鸡还是先有蛋？也许这种分歧纯粹是一个术语的问题。从意识形态的角度来看，至少在具有刚性逻辑的系统中，预测价格更正确，而输出变量是处理的结果。 一切都是对的，但你应该用它变化的数据来预测价格。有一个非常有趣的观察。如果输入是价格的原因，那么在样本外工作的结果将比训练时略差，即NS在训练中工作，在 "样本外 "仍然工作，但更差，当明显时，当不明显时。这完全取决于模型。而当你给出的输入数据不取决于价格时，对 "样本外 "部门的操作变成了CoinFlip，硬币翻转。你永远不知道NS何时会犯错。像这样.... Yuriy Asaulenko 2017.03.31 17:58 #3030 Mihail Marchukajtes: 好吧，但你应该借助它变化的数据来预测价格。有一个非常有趣的观察。如果输入是价格的原因，那么样本外工作的结果将比训练时略差，即NS在训练中工作，在 "样本外 "仍然工作，只是更差，当明显，当不明显。这完全取决于模型。而当你输入取决于价格的数据时，在 "样本外 "部门的操作就变成了CoinFlip，硬币翻转。你永远不知道NS何时会犯错。像这样....实际上，我们没有价格及其变化所依赖的数据。而且不可能有，除非我们是内部人士。一般来说，我们要在价格行为本身中寻找关于未来的间接（二级）数据。也就是说，我们的数据恰恰取决于价格和它在过去和现在的行为。而这种说法：我们应该用数据来预测价格，从它的变化来看。 你不能同意它。但是，输入数据的质量越高，结果就越好，这是显而易见的。------------------------------我已经开始为迁移到MoD准备预测器。想用R来做这一切。事实证明，R的所有功能，根本不适合建模和信号处理。不幸的是。一切都非常不方便。我将不得不把所有的准备工作转移到科学实验室，那里的一切都更容易和更方便。SciLab是一个界面和意识形态与R非常接近的环境，它是为数据处理和数学建模而设计的。它拥有从无线电工程到空气动力学的所有内容，还有很多数学知识，而这些在R中是完全没有的。不过，特异性。统计方法和数据挖掘在SciLab中得到了相当好的体现，但在这个意义上，SciLab在这类方法的选择上明显逊于R。你不能用SanSanych做SciLab的脚手架）。虽然，那里有很多已安装的软件包，但似乎没有什么是接近的。一般来说，我必须结合不同的IDE来解决不同的任务，并在环境之间传输数据。遗憾的是。我想用最好的方式（用R）做一切，但结果还是和以前一样。 1...296297298299300301302303304305306307308309310...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
这当然是真的。但高的进入门槛增加了各种风险。不一定是财务问题。
诚然，上面所说的也可以用一种平庸的形式来表达："利润是合理风险的单调函数"，这不仅适用于贸易，而且适用于所有人类活动，此外，众所周知，那些认为自己根本没有风险的人，例如，选择一个没有竞争力的职业，依靠国家养老金，是极端的人）））。
那么什么是 "没有 "风险的生活呢？这一点也不有趣，因为它的结局对每个人都是一样的。
我所说的系统性方法确实是指了解你在做什么，因此能够计划和预测你的行动结果。
谢谢你的文章。由于我不熟悉任何特定的软件，它非常适合初学者--简单而清晰。我唯一不明白的是使用哪种方法，回归还是分类？
自然，我立即开始在自己的系统上尝试。如果任何问题是麻烦的，可能会随着游戏的进行而被发现。
1.我不使用蜡烛图进场和出场--只使用报价流，而蜡烛图只在前一个蜡烛图的历史上出现。虽然我可以让它按烛台学习，但如何让Rattle吞下当前烛台内的烛台报价流，仍然是个谜。应该以某种方式分析烛台的流动。
2.如何处理可重建的预测器？例如，用回归线和sigmas。你甚至不能把它们粘贴到历史中去（用于学习），我们需要的是能即时计算它们并从历史中删除其痕迹的函数。
同样，还有一些闪闪发光的预测者，它们并不总是存在，是由系列的某些点建立起来的，总的来说也可以在剧中重建。
4 第2项和第3项的预测因子的正常化问题--从根本上说是不可能的。
而且在训练和工作过程中都应该计算关于预测因素的历史。
到目前为止，我们只有混乱的局面。
异响在两种情况下是好的。
1.回归或分类。这决定了目标变量的类型。一个实数就是回归。名义（因素）--分类。
2.从目标变量开始。虽然看起来很简单，但这是一个复杂的问题。你要预测什么？方向？ 幅度，过度，水平......
3.预测因素。你必须证明它们与目标变量 "相关"。这是最难的部分。 我在这个问题上花了高达70%的时间。我在这个主题中写了很多关于它的内容。
4.对统计资料不满意。这就是离开到R的原因。rattle让你更容易去做R，因为它记录了你在R上的所有操作，这些完成的代码可以用来修改。一般来说，下一步是关心。
2.你必须从目标变量开始。尽管它表面上很简单，但这是一个相当复杂的问题。你要预测什么？方向？ 幅度，过度，水平......
看起来一切都需要预测）。现在有大约30个 "指标"（更正确地称为预测器）在模型中（不是MO）+它们的相互处理和逻辑。本来应该是+10的。
人工处理这样的数量，并理解每个预测器对整体的贡献，已经不现实了。因此，顺便说一下，使用MO的想法。一切仍然处于非常早期的阶段。
桑桑尼茨-弗门科。
3.预测因素。你必须证明它们与目标变量 "相关"。这是最难的。 我在这个问题上花了高达70%的时间。我已经在主题中写了很多关于它的内容。
是的，我得改编一下。看起来你不能只是把它插进去）。
桑桑尼茨-弗门科。
4.对静止的情况不满意。这就是离开到R的原因。rattle简化了这种离开到R的过程，因为它记录了你在R上的所有操作，而且这些准备好的代码可以用来修改。实际上，下一步是caret。
明白了。
有趣的表格，最常使用的MO包
有趣的表格，最常使用的MO包
忘了在名单中加入另一个人。啊，是的，我有一个独特的软件，可以说是罕见的：-)
看起来一切都需要预测）。现在有大约30个 "指标"（更正确地称为预测器）在模型中（不是MO）+它们的相互处理和逻辑。本来应该是+10的。
人工处理这样的数量，并且仍然了解每个预测器对整体的贡献，已经不再现实。因此，顺便说一下，使用MO的想法。一切仍然处于非常早期的阶段。
桑桑尼茨-弗门科。
3.预测因素。你必须证明它们与目标变量 "相关"。这是最难的。 我在这个问题上花了高达70%的时间。我已经在主题中写了很多关于它的内容。
是的，我得改编一下。看起来你不能只是把它插进去）。
桑桑尼茨-弗门科。
4.对静止的情况不满意。这就是离开到R的原因。rattle简化了这种离开到R的过程，因为它记录了你在R上的所有操作，而且这些准备好的代码可以用来修改。实际上，下一步是caret。
明白了。
我将加入我的5戈比。事实上，你需要提供这样的输入，这将导致不是输出变量，而是价格！这就是所谓的 "价格"。那么任何TS都会被训练得很好。目标函数的例子。
最明显的SIGNAL BETTER， 那么会不会有回调到某一水平，今天会达到哪个水平，等等。阅读我的文章不要偷懒，我提到了。因此，对于所有这些目标函数，我给出了相同的输入，所有模型的运行都相当令人满意。而且你可以看到同样的投入是如何看待市场的。这里是利润，这里是回撤，这里是水平。他们工作得很好，因为条目是价格的原因。
稍微解释一下，原因是当入口的变化导致价格的变化，而不是反过来。这可能非常令人困惑，因为TS的统计数据本身就非常糟糕。因为Zscore所取的值正是价格所告诉它的，而不是反过来。例如，delta是价格变化的原因。:-)
我给你我的五分钱。你真正需要做的是提供输入，这不是输出变量的原因，而是PRICE的原因!那么任何TS都会训练得很好。目标函数的例子。
最明显的SIGNAL BETTER， 那么会不会有回调到某一水平，会达到今天的哪个水平，等等。阅读我的文章不要偷懒，我提到了。因此，对于所有这些目标函数，我给出了相同的输入，所有模型的运行都相当令人满意。而且你可以看到同样的投入是如何看待市场的。这里是利润，这里是回撤，这里是水平。他们工作得很好，因为条目是价格的原因。
稍微解释一下，原因是当入口的变化导致价格的变化，而不是反过来。这可能非常令人困惑，因为TS的统计数据本身就非常糟糕。因为Zscore完全是按照价格告诉它的价值，而不是反过来。例如，delta是价格变化的原因。:-)
我已经读了你的文章，如果你指的是上一页的链接。也许我错过了什么。我将重读它。
当然，预测器的存在是为了预测价格走势。但他们的叠加+价格给出了入市的信号，即他们预测了初始（训练）黑盒的反应。这个问题类似于先有鸡还是先有蛋？也许这种分歧纯粹是一个术语的问题。
从意识形态的角度来看，至少在具有刚性逻辑的系统中，预测价格是比较正确的，而输出变量已经是处理的结果。
你的文章，如果你指的是上一页的链接，已经被阅读了。我可能错过了什么。我将重读它。
是的，当然，预测器的存在是为了预测价格的变化。但他们的叠加+价格给出了一个进场的信号，即他们预测了初始（训练）黑箱的反应。这个问题类似于先有鸡还是先有蛋？也许这种分歧纯粹是一个术语的问题。
从意识形态的角度来看，至少在具有刚性逻辑的系统中，预测价格更正确，而输出变量是处理的结果。
一切都是对的，但你应该用它变化的数据来预测价格。有一个非常有趣的观察。如果输入是价格的原因，那么在样本外工作的结果将比训练时略差，即NS在训练中工作，在 "样本外 "仍然工作，但更差，当明显时，当不明显时。这完全取决于模型。而当你给出的输入数据不取决于价格时，对 "样本外 "部门的操作变成了CoinFlip，硬币翻转。你永远不知道NS何时会犯错。像这样....
好吧，但你应该借助它变化的数据来预测价格。有一个非常有趣的观察。如果输入是价格的原因，那么样本外工作的结果将比训练时略差，即NS在训练中工作，在 "样本外 "仍然工作，只是更差，当明显，当不明显。这完全取决于模型。而当你输入取决于价格的数据时，在 "样本外 "部门的操作就变成了CoinFlip，硬币翻转。你永远不知道NS何时会犯错。像这样....
实际上，我们没有价格及其变化所依赖的数据。而且不可能有，除非我们是内部人士。一般来说，我们要在价格行为本身中寻找关于未来的间接（二级）数据。也就是说，我们的数据恰恰取决于价格和它在过去和现在的行为。
而这种说法：我们应该用数据来预测价格，从它的变化来看。 你不能同意它。但是，输入数据的质量越高，结果就越好，这是显而易见的。
------------------------------
我已经开始为迁移到MoD准备预测器。想用R来做这一切。事实证明，R的所有功能，根本不适合建模和信号处理。不幸的是。一切都非常不方便。
我将不得不把所有的准备工作转移到科学实验室，那里的一切都更容易和更方便。SciLab是一个界面和意识形态与R非常接近的环境，它是为数据处理和数学建模而设计的。它拥有从无线电工程到空气动力学的所有内容，还有很多数学知识，而这些在R中是完全没有的。不过，特异性。统计方法和数据挖掘在SciLab中得到了相当好的体现，但在这个意义上，SciLab在这类方法的选择上明显逊于R。你不能用SanSanych做SciLab的脚手架）。虽然，那里有很多已安装的软件包，但似乎没有什么是接近的。
一般来说，我必须结合不同的IDE来解决不同的任务，并在环境之间传输数据。遗憾的是。我想用最好的方式（用R）做一切，但结果还是和以前一样。