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。