交易中的机器学习：理论、模型、实践和算法交易 - 页 3053

新评论
 
Aleksey Vyazmikin #:
我相信这将是一份充满新体验的有趣工作。
:))
 
mytarmailS #:
这就好比我请你帮我修车，而你也能从中获得乐趣......


还有经验）

 
Ivan Butko #:
我试着写了一个简单的 q 表（没有这个计算动作的超级公式）。
首先，如果没有公式，它就不是一个 q 表。
其次，从代理商那里得到的不仅仅是利润。
 
Aleksey Vyazmikin #:

它可能是结果，而不是原因，但它仍然是一种有联系的现象，因此，只要有联系，我们就可以说是一种模式。

我们只需认识到规律是会改变的。而正是在它们发生变化的时候，也就是时间的瞬间，这个问题才应该得到解决。

规律是不会改变的。我们只是不了解所有的规律。

在自然界中，没有两片雪花是完全相同的，但我们把它们看作雪花，它们在我们眼里都是一样的。

在金融市场中，形态就是自然界雪花的形象。

在某些参数上，没有两个模式是完全相同的，就像雪花一样。

 
Uladzimir Izerski #:

模式作为法律存在。


:)
 

如果我们在一张图表上显示所有的时间框架，我们是否会考虑到图表上所有极值的所有信息？


图表上同时有三个时间框架 m1 .m10, m60


 
Maxim Dmitrievsky #:

如果我们把寻找规则的任务设置得与众不同一些，会怎么样呢？

规则本身需要有所不同。

如果符号是 X1, X2.....Х10

那么木制的规则看起来就像 X1>=0.001& X2<0.05 。

其中，0.001 只是一个抽象的数字/常数，与市场无关，只是一个近似值......

正因为如此，当市场发生变化时，所有这些数字/常数都会立即停止工作...


你需要 X1 >= ( X2*(X5/X7) )& x3 < (x2^2) * x10。

而不是抽象常量--自适应公式、

常量应该像火一样被避免。

 
Maxim Dmitrievsky #:
在第二种教学方式中，它们目前相对于坏是好的，但原则上不是好的

它们既不是好的，也不是坏的，它们是适应性的，不是恒定不变的。

 
mytarmailS #:

它们既不是好的，也不是坏的，而是适应性的，不是恒定不变的。

再说一遍，我不怕让你厌烦。


问题不在于规则或模型，问题在于预测因子对教师的预测能力，而预测因子（预测能力）是变化的。用你的方法，你可能会陷入随机的 "拟合优度"，你需要用数字来衡量预测能力的可变性。对于模型中的预测因子，你有某种类似的 "无能"--我们从我们所拥有的东西中提取，如果一切都是垃圾，我们就从垃圾中提取。在我看来，过滤是一个死胡同，因为算法会根据所给的东西形成规则：如果你给糖果，你就会得到巧克力，如果你给垃圾，你就会得到另一部分垃圾。

 
Maxim Dmitrievsky #:

属性之间的关系同样有可能超出范围。完全相同的抽象。

但这并不是问题的关键，关键在于所提出的方法，而这种方法是有一定道理的。

我一直在等待论坛上关于如何改进这种方法的正常想法，因为在我多读几本关于统计和 IO 的书之前，我的脑袋里很少有新的想法。

我专门研究了市场发生变化时的 OOS。研究是在下跌时进行的，而 OOS 是在上涨时进行的。

在 OOS 上，约 75000 点/500 笔交易=每笔交易 140 点。这很不错，你可以把它放在交易中。
图表上有多少个月/年？
1...304630473048304930503051305230533054305530563057305830593060...3399
新评论