交易中的机器学习:理论、模型、实践和算法交易 - 页 3118 1...311131123113311431153116311731183119312031213122312331243125...3399 新评论 Maxim Dmitrievsky 2023.06.29 14:58 #31171 СанСаныч Фоменко #:对我来说,过滤错误的想法完全无法理解。 事实证明,如果模型的预测结果是 50/50,那么剔除掉坏的 50 个,剩下的就能预测出 100% 的结果?这只是超级学习,别无其他。分类误差产生的原因是,相同值的预测因子在某些情况下预测正确,而在另一些情况下预测不正确,这就是问题所在,要摆脱这个问题,只能在过滤预测因子和目标变量的 "关系强度 "阶段,而完全不可能,上帝愿意过滤预测因子,并以此为代价将分类误差降低 10%。你的理念早就明确了,结果呢?是什么,给我看看。 我的 OOS 有了改进,我很高兴,我将继续改进,直到这种方法穷尽为止。 Aleksey Nikolayev 2023.06.29 15:06 #31172 Maxim Dmitrievsky 方向 的基本模型和一个预测获胜概率(交易或不交易)的元模型组成: 我们将第一个模型称为主模型,它用一条黑线将特征空间划分为买入/卖出。第二个是元模型,它将整个 特征空间划分为交易/不交易(红线)。现在,让我们设想另一种变体,即有两个元模型,每个模型将买入和卖出类的不同 特征空间分别划分为交易/非交易(两条红线)。一个 "需要思考 "的纯理论问题是,第二种方案是否更好?如果更好,为什么?请发表意见。 甚至可以向阿列克谢-尼古拉耶夫提出一个请求,即如何确定这种 "干预 "的效果。毕竟,你会得到两个元模型的两个概率分布,可以对其进行比较/评估/分散。 如果从实用角度出发,我同意福雷斯特的意见。 如果纯粹从理论的角度来看,我们可以不对这两种方法进行对比。要理解这一点,你可以简单地把第二幅图中的红色直线看作是一条曲线的一部分。从本质上讲 , 这只是 意味着第二种方案更灵活、更复杂,使其有更多的选择(从好的和坏的意义上讲都是如此) Maxim Dmitrievsky 2023.06.29 15:11 #31173 Aleksey Nikolayev #:如果从实用的角度来看,我同意 Forester 的意见。如果纯粹从理论的角度来看,我们可以不把这两种方法进行对比。要理解这一点,你可以简单地把第二幅图中的红色直线看作是一条曲线的一部分。从根本上说 , 这只是 意味着第二种方案更灵活、更复杂,使其有更多的选择(从好的和坏的角度来说)。 由于买入和卖出的特质值分布不同,你可能会在两个不同的模型中得到不同的偏差,而一个模型则会计算出一些共同点。总的来说,我同意,只有试过才会明白:) Evgeni Gavrilovi 2023.06.29 16:03 #31174 СанСаныч Фоменко #:您需要对预测因子和目标因子之间的关系强度进行量化测量。我在这个论坛上写过很多次文章,提到过 R 软件包,甚至引用过我的计算结果。 我同意,但有时几个特征就能提高预测质量。这里有一个简单的例子。白天的升温受云量和湿度的影响。 每个预报员都知道,湿度大时,即使万里无云,增温也不如湿度小时明显。因此,我们需要研究这些迹象之间的 "关系"。 СанСаныч Фоменко 2023.06.29 16:20 #31175 Evgeni Gavrilovi #:我同意,但有时几个迹象就能提高预测的质量。这里有一个简单的例子。白天的升温受云量和空气湿度的影响。 每个预报员都知道,湿度大时,即使万里无云,升温也不如湿度小时明显。因此,我们需要研究这些迹象之间的 "关系"。 在气象局的哪个模式中可以考虑到这一点? Uladzimir Izerski 2023.06.29 18:39 #31176 你不过滤它,还是会出现嘿嘿的错误。MO 本质上是对历史的一种拟合,不必完全重复。 新闻、世界权力掮客的声明会让国防部蒙在鼓里。否则,统治者就应该按照国防部的指示说话,新闻就应该按照国防部的指示发布。狗尾续貂(c)。 但是,如果使用市场模型,情况就没那么悲惨了。准确性的余地可能更小,但看清走势方向和持续时间的概率却更高。 你能阅读我的文章并遵循我的提示,这让我很高兴)。 Evgeni Gavrilovi 2023.06.29 18:53 #31177 СанСаныч Фоменко #:哪种 MOE 模型可以考虑到这一点? 有一个 catboost. model.get_feature_importance(type=catboost.EFstrType.Interaction) https://catboost.ai/en/docs/concepts/python-reference_catboostclassifier_get_feature_importance fxsaber 2023.06.29 22:36 #31178 Forester #:我认为牛市和熊市的交易方式不同。同样的欧元通常会快速下跌,然后缓慢爬升。行为不同。 是否有脚本可以显示这种差异?我自己有一个略微不同的观点(链接到 通用版本)。 "Правильные" и "обобщённо правильные" по fxsaber`у ТС 2020.03.08www.mql5.com Здесь приведены некоторые соображения по поводу этой ветки. Формальное определение. Введём обозначения: r - ряд цен, s - система, e - эквити Подаём цены на вход системы и получаем на выходе эквити: r Renat Akhtyamov 2023.06.30 03:04 #31179 Uladzimir Izerski #:你不过滤,还是会出现嘿嘿的错误。国防部本质上是一个故事的拟合,不一定要完全相同。世界权力掮客们的新闻、言论会让国防部蒙在鼓里。否则,统治者就应该按照国防部的指示说话,新闻就应该按照国防部的指示发布。狗尾续貂 (c)。但是,如果使用市场模型,情况就没那么悲惨了。准确性的空间可能更小,但看清运动方向和持续时间的概率却更高。你能阅读我的文章并遵循我的提示,这让我很高兴)。 不仅操作方法没用,概率也没用。 保证金规则。 Forester 2023.06.30 05:59 #31180 fxsaber #: 有没有一个脚本可以显示这种差异?我自己持略微不同的观点(链接到 通用版本)。 不,我没有专门研究过这个问题。我记得在我尝试手动交易的时候,在缓慢增长后迅速下跌。 也许是情绪使然,因为它耗尽了我的存款。我不排除所有事情都是平衡的,甚至反之亦然。) 1...311131123113311431153116311731183119312031213122312331243125...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
对我来说,过滤错误的想法完全无法理解。
事实证明,如果模型的预测结果是 50/50,那么剔除掉坏的 50 个,剩下的就能预测出 100% 的结果?这只是超级学习,别无其他。
分类误差产生的原因是,相同值的预测因子在某些情况下预测正确,而在另一些情况下预测不正确,这就是问题所在,要摆脱这个问题,只能在过滤预测因子和目标变量的 "关系强度 "阶段,而完全不可能,上帝愿意过滤预测因子,并以此为代价将分类误差降低 10%。
你的理念早就明确了,结果呢?是什么,给我看看。
我的 OOS 有了改进,我很高兴,我将继续改进,直到这种方法穷尽为止。我们将第一个模型称为主模型,它用一条黑线将特征空间划分为买入/卖出。第二个是元模型,它将整个 特征空间划分为交易/不交易(红线)。
现在,让我们设想另一种变体,即有两个元模型,每个模型将买入和卖出类的不同 特征空间分别划分为交易/非交易(两条红线)。
一个 "需要思考 "的纯理论问题是,第二种方案是否更好?如果更好,为什么?请发表意见。
甚至可以向阿列克谢-尼古拉耶夫提出一个请求,即如何确定这种 "干预 "的效果。毕竟,你会得到两个元模型的两个概率分布,可以对其进行比较/评估/分散。如果从实用角度出发,我同意福雷斯特的意见。
如果纯粹从理论的角度来看,我们可以不对这两种方法进行对比。要理解这一点,你可以简单地把第二幅图中的红色直线看作是一条曲线的一部分。从本质上讲 , 这只是 意味着第二种方案更灵活、更复杂,使其有更多的选择(从好的和坏的意义上讲都是如此)
如果从实用的角度来看,我同意 Forester 的意见。
如果纯粹从理论的角度来看,我们可以不把这两种方法进行对比。要理解这一点,你可以简单地把第二幅图中的红色直线看作是一条曲线的一部分。从根本上说 , 这只是 意味着第二种方案更灵活、更复杂,使其有更多的选择(从好的和坏的角度来说)。
您需要对预测因子和目标因子之间的关系强度进行量化测量。我在这个论坛上写过很多次文章,提到过 R 软件包,甚至引用过我的计算结果。
我同意,但有时几个特征就能提高预测质量。这里有一个简单的例子。白天的升温受云量和湿度的影响。
每个预报员都知道,湿度大时,即使万里无云,增温也不如湿度小时明显。因此,我们需要研究这些迹象之间的 "关系"。
我同意,但有时几个迹象就能提高预测的质量。这里有一个简单的例子。白天的升温受云量和空气湿度的影响。
每个预报员都知道,湿度大时,即使万里无云,升温也不如湿度小时明显。因此,我们需要研究这些迹象之间的 "关系"。
在气象局的哪个模式中可以考虑到这一点?
你不过滤它,还是会出现嘿嘿的错误。MO 本质上是对历史的一种拟合,不必完全重复。
新闻、世界权力掮客的声明会让国防部蒙在鼓里。否则,统治者就应该按照国防部的指示说话,新闻就应该按照国防部的指示发布。狗尾续貂(c)。
但是,如果使用市场模型,情况就没那么悲惨了。准确性的余地可能更小,但看清走势方向和持续时间的概率却更高。
你能阅读我的文章并遵循我的提示,这让我很高兴)。
哪种 MOE 模型可以考虑到这一点?
有一个 catboost.
https://catboost.ai/en/docs/concepts/python-reference_catboostclassifier_get_feature_importance
我认为牛市和熊市的交易方式不同。同样的欧元通常会快速下跌,然后缓慢爬升。行为不同。
你不过滤,还是会出现嘿嘿的错误。国防部本质上是一个故事的拟合,不一定要完全相同。
世界权力掮客们的新闻、言论会让国防部蒙在鼓里。否则,统治者就应该按照国防部的指示说话,新闻就应该按照国防部的指示发布。狗尾续貂 (c)。
但是,如果使用市场模型,情况就没那么悲惨了。准确性的空间可能更小,但看清运动方向和持续时间的概率却更高。
你能阅读我的文章并遵循我的提示,这让我很高兴)。
不仅操作方法没用,概率也没用。
保证金规则。
有没有一个脚本可以显示这种差异?我自己持略微不同的观点(链接到 通用版本)。
也许是情绪使然,因为它耗尽了我的存款。我不排除所有事情都是平衡的,甚至反之亦然。)