交易中的机器学习：理论、模型、实践和算法交易 - 页 3101 1...309430953096309730983099310031013102310331043105310631073108...3399 新评论 Aleksey Vyazmikin 2023.06.07 17:49 #31001 如果我们测量一个单独的量子段样本中每月一种类型信号的百分比，并减去盈利信号的平均百分比，然后对数据进行平衡，我们可以看到以下结果。 这是根据我的方法选取的量子段，我们可以看到，从第 38 个月到第 127 个月，有这样一个稳定的趋势，然后开始波动。 因此，如果按照经典的 60+20+20 方法划分样本，我们将学习到 100 个月左右，一切都会很好，然后在 40 个月--直到 140 个月，我们将处于正值，并且在独立的测试样本中，我们将捕捉到一个反弹的下行趋势。同时，我们还可以看到，在第 38 个月之前，训练样本也出现了类似的波动，但什么样的模型才能将其考虑在内，并为这些波动找到 "解释 "呢？普通的木质模型会从整个样本中抽取一部分，而我们只需要关注其中的一部分。 这就是我在思考的问题，这种建立模型的方法会考虑到上述细微差别--不是对整个样本进行分割，而是在分割后分别考虑每个部分的变化。 也许我又在重新发明轮子，而已经有了解决方案？我已经在纸上勾勒出了系统的轮廓，但代码还很遥远....。 Aleksey Vyazmikin 2023.06.07 18:05 #31002 直方图是这样的（根据 excel 版本） 可以看出，有些月份的模式并不有效....它们应该用其他拆分方法来解释，但最好是把它们删除。 Aleksey Vyazmikin 2023.06.07 18:11 #31003 而且，我想要的是--如果不那么努力地训练模型，那么至少要提前检测到，也许是概率上的，从有利结果概率量子段的正向转变到负向转变的变化部分。 这里考虑的是目标，样本已经形成。 Aleksey Vyazmikin 2023.06.07 21:55 #31004 如果我们用 +1/-1 表示一个月内量子段正负结果的三角洲百分比，图表就会呈现出这种情况，而且看起来更有趣。 Maxim Dmitrievsky 2023.06.08 03:32 #31005 有一些量子垃圾切割机在某处表现不佳，该怎么办？根据表现不佳的新数据平均其信号，这样它在那里的表现就不会那么差，但在过去的数据上也不会那么好。 问题是什么，答案就是什么，不用遗憾。 Aleksey Vyazmikin 2023.06.08 06:40 #31006 Maxim Dmitrievsky #: 有一些量子垃圾剪切在某处表现不佳，怎么办？给表现不佳的新数据平均其信号，这样它在那里的表现就不会太差，但在过去的数据上表现也不会太好。 问题是什么，答案就是什么，不要遗憾 平均、减法和除法） 总之，按照我的理解，您是建议在信号 "不好 "的地方改变目标吗？ sibirqk 2023.06.08 06:41 #31007 Valeriy Yastremskiy #:阿列克谢-尼古拉耶夫（Alexei Nikolaev）在 R 的博客中实现了一个 "咖啡馆 "或 "少数人的胜利 "的游戏模型，该模型与市场类似，如果玩家的位置在参与者较少的社会中，他就会获胜（在 "咖啡馆 "中，根据日期，当天来访人数最少的玩家获胜，来访人数多的玩家失败），但这一模型过于简单，现实生活中还有很多类型的玩家，既有国家和其他大型玩家，也有数量众多的小玩家。这个模型甚至还没有大致建立起来)但那里的图形甚至与蜱虫徘徊非常相似。 定价中的 SB 模型是一个基本的、限制性的变体，在现实中显然从未发生过，就像物理学中的类比--理想气体。该模型在两个条件下产生--a) 大量参与者；b) 参与者的交易策略绝对独立于其他参与者。很明显，第二个条件很难满足，因此我们可以研究一下，如果市场上存在几个具有不同策略的参与者群体（群组），SB 模型的偏差会受到什么影响。或者部分参与者拥有内幕信息。根据定义，不可能在纯 SB 上赚钱，只能在偏离 SB 的情况下赚钱。 sibirqk 2023.06.08 06:42 #31008 mytarmailS #:就我个人而言，我认为 SB 模式没有任何用处。它没有提供任何东西，没有强调好的特性，没有抑制坏的特性，也没有简化。是啊，图表看起来像价格，那又怎样？ 当然，SB 模型本身用处不大，只有在诊断出偏离模型时才有用。 sibirqk 2023.06.08 06:44 #31009 Maxim Dmitrievsky #:我把静止性称为计量经济学的常用术语：均值和方差的恒定性。市场自然不具备这种特性，它们不是 "纪念碑"。去掉异方差，剩下的就接近于 SB。一般来说，分布类型对可预测性影响不大。这是一种数学游戏，与交易相去甚远。在覆盖价差的报价中加入一些蓬松度。或者在一天中的某些时间稳定回归均值。价差不会改变，就有可能赚钱。粗略地说，这种情况和类似情况可以称为低效率。要做到这一点，在编写算法时要考虑到一个事实：你无法预测一切，也不需要预测一切。我并不是说存在这样的诅咒，只是说有一些真正高效的工具，你无法从中获得任何东西。 当然，如果您建立的定价模型与 SB 存在可以理解的偏差，那么您就可以在此基础上生成人工报价，甚至可以生成一千年的报价。然后在这种报价的基础上，借助 MO 学习确定偏离的地方，然后尝试在真实报价上做同样的事情。或者 mytarmailS 2023.06.08 06:55 #31010 sibirqk #:当然，SB 模型本身用处不大，只有在诊断（发现）出偏离该模型时才有用。 阿列克谢-尼古拉耶夫也是这么说的。这种方法叫什么名字？ 1...309430953096309730983099310031013102310331043105310631073108...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
如果我们测量一个单独的量子段样本中每月一种类型信号的百分比，并减去盈利信号的平均百分比，然后对数据进行平衡，我们可以看到以下结果。
这是根据我的方法选取的量子段，我们可以看到，从第 38 个月到第 127 个月，有这样一个稳定的趋势，然后开始波动。
因此，如果按照经典的 60+20+20 方法划分样本，我们将学习到 100 个月左右，一切都会很好，然后在 40 个月--直到 140 个月，我们将处于正值，并且在独立的测试样本中，我们将捕捉到一个反弹的下行趋势。同时，我们还可以看到，在第 38 个月之前，训练样本也出现了类似的波动，但什么样的模型才能将其考虑在内，并为这些波动找到 "解释 "呢？普通的木质模型会从整个样本中抽取一部分，而我们只需要关注其中的一部分。
这就是我在思考的问题，这种建立模型的方法会考虑到上述细微差别--不是对整个样本进行分割，而是在分割后分别考虑每个部分的变化。
也许我又在重新发明轮子，而已经有了解决方案？我已经在纸上勾勒出了系统的轮廓，但代码还很遥远....。
直方图是这样的（根据 excel 版本）
可以看出，有些月份的模式并不有效....它们应该用其他拆分方法来解释，但最好是把它们删除。
而且，我想要的是--如果不那么努力地训练模型，那么至少要提前检测到，也许是概率上的，从有利结果概率量子段的正向转变到负向转变的变化部分。
这里考虑的是目标，样本已经形成。
如果我们用 +1/-1 表示一个月内量子段正负结果的三角洲百分比，图表就会呈现出这种情况，而且看起来更有趣。
问题是什么，答案就是什么，不用遗憾。
有一些量子垃圾剪切在某处表现不佳，怎么办？给表现不佳的新数据平均其信号，这样它在那里的表现就不会太差，但在过去的数据上表现也不会太好。 问题是什么，答案就是什么，不要遗憾
平均、减法和除法）
总之，按照我的理解，您是建议在信号 "不好 "的地方改变目标吗？
阿列克谢-尼古拉耶夫（Alexei Nikolaev）在 R 的博客中实现了一个 "咖啡馆 "或 "少数人的胜利 "的游戏模型，该模型与市场类似，如果玩家的位置在参与者较少的社会中，他就会获胜（在 "咖啡馆 "中，根据日期，当天来访人数最少的玩家获胜，来访人数多的玩家失败），但这一模型过于简单，现实生活中还有很多类型的玩家，既有国家和其他大型玩家，也有数量众多的小玩家。这个模型甚至还没有大致建立起来)
但那里的图形甚至与蜱虫徘徊非常相似。
定价中的 SB 模型是一个基本的、限制性的变体，在现实中显然从未发生过，就像物理学中的类比--理想气体。该模型在两个条件下产生--a) 大量参与者；b) 参与者的交易策略绝对独立于其他参与者。很明显，第二个条件很难满足，因此我们可以研究一下，如果市场上存在几个具有不同策略的参与者群体（群组），SB 模型的偏差会受到什么影响。或者部分参与者拥有内幕信息。根据定义，不可能在纯 SB 上赚钱，只能在偏离 SB 的情况下赚钱。
就我个人而言，我认为 SB 模式没有任何用处。
它没有提供任何东西，没有强调好的特性，没有抑制坏的特性，也没有简化。
是啊，图表看起来像价格，那又怎样？
当然，SB 模型本身用处不大，只有在诊断出偏离模型时才有用。
我把静止性称为计量经济学的常用术语：均值和方差的恒定性。市场自然不具备这种特性，它们不是 "纪念碑"。去掉异方差，剩下的就接近于 SB。
一般来说，分布类型对可预测性影响不大。这是一种数学游戏，与交易相去甚远。在覆盖价差的报价中加入一些蓬松度。或者在一天中的某些时间稳定回归均值。价差不会改变，就有可能赚钱。粗略地说，这种情况和类似情况可以称为低效率。要做到这一点，在编写算法时要考虑到一个事实：你无法预测一切，也不需要预测一切。我并不是说存在这样的诅咒，只是说有一些真正高效的工具，你无法从中获得任何东西。
当然，如果您建立的定价模型与 SB 存在可以理解的偏差，那么您就可以在此基础上生成人工报价，甚至可以生成一千年的报价。然后在这种报价的基础上，借助 MO 学习确定偏离的地方，然后尝试在真实报价上做同样的事情。或者
当然，SB 模型本身用处不大，只有在诊断（发现）出偏离该模型时才有用。