交易中的机器学习:理论、模型、实践和算法交易 - 页 316 1...309310311312313314315316317318319320321322323...3399 新评论 Mihail Marchukajtes 2017.04.13 10:59 #3151 我想对上述内容进行补充。如果你想从事MO,你需要对该领域有透彻的了解。在我们的案例中,交易。许多人只是在不稳定的时间序列 上看卡蒂尔,忘记了这是一个市场,它有一定的规则和细微差别。当你试图将任何过程自动化时,你需要了解该过程的技术,直到最小的细节。我作为一个有多年经验的机械师告诉你。 Vizard_ 2017.04.13 13:25 #3152 http://radikal.ru/video/6X0MyhuW8Bp 20170413163153.mp4 -- Радикал-Видео radikal.ru Радикал-Фото - сервис публикации изображений для форумов и блогов: Видео Mihail Marchukajtes 2017.04.13 13:38 #3153 Vizard_。http://radikal.ru/video/6X0MyhuW8Bp 有趣的视频。这有什么意义? Dr. Trader 2017.04.13 14:30 #3154 Mihail Marchukajtes: 这有什么意义?在聚类方面。机器学习可以非常粗略地称为聚类。有一定的预测器超空间,并需要将其划分为几个子空间,其中属于特定子空间(类)的点对外汇来说意味着交易的行动--在3类的情况下--"买入"、"卖出"、"退出"。 这段视频清楚地展示了在两个预测器(X和Y)上的无师自通学习,自动聚类的方式根据数据量的大小改变子空间的边界。关于外汇,这隐喻了回测的持续时间,以及它(持续时间)的变化如何影响聚类结果。一个在一周的数据上训练出来的模型比在两周、三周等的数据上训练出来的模型看到的和知道的要少很多。视频的第二部分展示了专家如何评估聚类结果并对模型进行调整。专家认为获得的3个等级是不够的,至少可以分辨出6个等级,然后专家根据自己的经验调整模型参数,使模型准确地吸收这6个等级。 这是个一般的想法。在我看来,这一步在外汇中是不可能的,因为有几十个预测者,而且很难感知到三个以上的维度。根据我的理解,这一步包括的经验不是手动修正,而是自动修正,当模型参数的改变伴随着交易模拟时,选择 好的参数 的标准是一个好的交易。 pantural 2017.04.14 23:53 #3155 Dr.Trader:机器学习可以非常粗略地称为聚类。有一定的预测器超空间,需要把它分成几个子空间....。 这不是所有的交易,不是关于风险。交易首先是心理学,而不是数学,你在错误的方向上挖掘,亲爱的,更好地学习女性,这将比教计算机更有助于交易。 Roffild 2017.04.26 21:59 #3156 那么谁来检查这些网络的代码质量呢?https://www.mql5.com/ru/forum/190948 Alglib MLP (нейронная сеть) портирование неправильно? www.mql5.com Библиотека Alglib уже давно является частью MQL5. Нейронная сеть из этой библиотеки пока единственная из официально доступных... Алексей Тарабанов 2017.04.26 22:11 #3157 pantural。是的,不是这样就是那样,但不是同时。 你至少需要三个人--经理、交易员和软件开发人员,一个有凝聚力的团队,经理必须练习团队建设,交易员必须平均,而开发人员必须到处使用设计派特,即使有一个人练习结对编程,那么它也会成功。 还需要一名档案员。而在侧面... Dr. Trader 2017.04.30 23:52 #3158 在我对eurusd进行了不同模式的实验后,我认为价格受到了严格的管制,以便给经纪人和银行带来更多的利润。一个典型的情况是--我们在几周的数据上训练一个模型,然后在新的数据上我们只得到50%的盈利交易(事实上是随机的),并且在价差上有缓慢的损失。 但如果我们用模型做实验,并试图寻找模式,我们会看到有点不同的情况--有些模式在一些星期内是盈利的,然后突然下降到50%的成功率,也就是随机的。但一两个月后,它们又起作用了,但人们必须对照它们的预测进行交易。而几个星期后,他们的预测又变成了50%的随机性。而在未来的某个地方,他们将再次获利。等等。从这一切我有以下结论--银行根据他们的程序、算法来设定价格。这些程序他们会定期改变,使用不同的组合,将价格改变到与他们的程序建议相反的方向,等等,所有这些都是为了在市场上创造一个新的局面。否则他们的算法就会被发现并用来对付他们。 而与此同时,拥有技术分析或机器学习的人们正试图找到长期以来存在的模式。而这些模式在某人的弹指间就会改变,或者自相矛盾,难怪交易如此困难。工作模式必须考虑到所有这些--以及这些模式只在某些时间段起作用的事实,有时是相反的方向,并能够从当前的情况了解使用哪一套模式。一切都是徒劳的? [删除] 2017.05.01 00:37 #3159 我可以看到,在这里,人们也在逐渐理解,尽管缓慢而艰难。市场是一个受控的动态系统。但意识到这一事实后,我们不得不重新考虑我们看待和描述它的方式。 然后是对以下事实的理解:统计方法不是可以构建充分的市场模型的适当方法,只适合于 "谈论 "尾巴。较薄的尾巴或较厚的尾巴。;) Maxim Dmitrievsky 2017.05.01 02:43 #3160 Dr.Trader:在我对eurusd进行了不同模式的实验后,我认为价格受到了严格的管制,以便给经纪人和银行带来更多的利润。一个典型的情况是--我们在几周的数据上训练一个模型,然后在新的数据上我们只得到50%的盈利交易(事实上是随机的),并且在价差上有缓慢的损失。 但如果我们用模型做实验,并试图寻找模式,我们会看到有点不同的情况--有些模式在一些星期内是盈利的,然后突然下降到50%的成功率,也就是随机的。但一两个月后,它们又起作用了,但人们必须对照它们的预测进行交易。而几个星期后,他们的预测又变成了50%的随机性。而在未来的某个地方,他们将再次获利。以此类推。从这一切我有以下结论--银行根据他们的程序、算法来设定价格。这些程序他们会定期改变,使用不同的组合,将价格改变到与他们的程序建议相反的方向,等等,所有这些都是为了在市场上创造一个新的局面。否则他们的算法会被发现并用来对付他们。 而与此同时,拥有技术分析或机器学习的人正试图寻找已经存在了很长时间的模式。而这些模式在某人的弹指之间就会改变,或者自相矛盾,难怪交易如此困难。工作模式必须考虑到所有这些--以及这些模式只在某些时间段起作用的事实,有时是相反的方向,并能够从当前的情况了解使用哪一套模式。一切都是徒劳的? 没想到一个理智的人有这样的想法 :)奥卡姆剃刀:"不要制造不必要的实体"。 1...309310311312313314315316317318319320321322323...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
http://radikal.ru/video/6X0MyhuW8Bp
有趣的视频。这有什么意义?
这有什么意义?
在聚类方面。
机器学习可以非常粗略地称为聚类。有一定的预测器超空间,并需要将其划分为几个子空间,其中属于特定子空间(类)的点对外汇来说意味着交易的行动--在3类的情况下--"买入"、"卖出"、"退出"。
这段视频清楚地展示了在两个预测器(X和Y)上的无师自通学习,自动聚类的方式根据数据量的大小改变子空间的边界。关于外汇,这隐喻了回测的持续时间,以及它(持续时间)的变化如何影响聚类结果。一个在一周的数据上训练出来的模型比在两周、三周等的数据上训练出来的模型看到的和知道的要少很多。
视频的第二部分展示了专家如何评估聚类结果并对模型进行调整。专家认为获得的3个等级是不够的,至少可以分辨出6个等级,然后专家根据自己的经验调整模型参数,使模型准确地吸收这6个等级。
这是个一般的想法。在我看来,这一步在外汇中是不可能的,因为有几十个预测者,而且很难感知到三个以上的维度。根据我的理解,这一步包括的经验不是手动修正,而是自动修正,当模型参数的改变伴随着交易模拟时,选择 好的参数 的标准是一个好的交易。
机器学习可以非常粗略地称为聚类。有一定的预测器超空间,需要把它分成几个子空间....。
那么谁来检查这些网络的代码质量呢?
https://www.mql5.com/ru/forum/190948
是的,不是这样就是那样,但不是同时。
你至少需要三个人--经理、交易员和软件开发人员,一个有凝聚力的团队,经理必须练习团队建设,交易员必须平均,而开发人员必须到处使用设计派特,即使有一个人练习结对编程,那么它也会成功。还需要一名档案员。而在侧面...
在我对eurusd进行了不同模式的实验后,我认为价格受到了严格的管制,以便给经纪人和银行带来更多的利润。
一个典型的情况是--我们在几周的数据上训练一个模型,然后在新的数据上我们只得到50%的盈利交易(事实上是随机的),并且在价差上有缓慢的损失。
但如果我们用模型做实验,并试图寻找模式,我们会看到有点不同的情况--有些模式在一些星期内是盈利的,然后突然下降到50%的成功率,也就是随机的。但一两个月后,它们又起作用了,但人们必须对照它们的预测进行交易。而几个星期后,他们的预测又变成了50%的随机性。而在未来的某个地方,他们将再次获利。等等。
从这一切我有以下结论--银行根据他们的程序、算法来设定价格。这些程序他们会定期改变,使用不同的组合,将价格改变到与他们的程序建议相反的方向,等等,所有这些都是为了在市场上创造一个新的局面。否则他们的算法就会被发现并用来对付他们。
而与此同时,拥有技术分析或机器学习的人们正试图找到长期以来存在的模式。而这些模式在某人的弹指间就会改变,或者自相矛盾,难怪交易如此困难。
工作模式必须考虑到所有这些--以及这些模式只在某些时间段起作用的事实,有时是相反的方向,并能够从当前的情况了解使用哪一套模式。
一切都是徒劳的?
我可以看到,在这里,人们也在逐渐理解,尽管缓慢而艰难。
市场是一个受控的动态系统。
但意识到这一事实后,我们不得不重新考虑我们看待和描述它的方式。
然后是对以下事实的理解:统计方法不是可以构建充分的市场模型的适当方法,只适合于 "谈论 "尾巴。较薄的尾巴或较厚的尾巴。
;)
在我对eurusd进行了不同模式的实验后,我认为价格受到了严格的管制,以便给经纪人和银行带来更多的利润。
一个典型的情况是--我们在几周的数据上训练一个模型,然后在新的数据上我们只得到50%的盈利交易(事实上是随机的),并且在价差上有缓慢的损失。
但如果我们用模型做实验,并试图寻找模式,我们会看到有点不同的情况--有些模式在一些星期内是盈利的,然后突然下降到50%的成功率,也就是随机的。但一两个月后,它们又起作用了,但人们必须对照它们的预测进行交易。而几个星期后,他们的预测又变成了50%的随机性。而在未来的某个地方,他们将再次获利。以此类推。
从这一切我有以下结论--银行根据他们的程序、算法来设定价格。这些程序他们会定期改变,使用不同的组合,将价格改变到与他们的程序建议相反的方向,等等,所有这些都是为了在市场上创造一个新的局面。否则他们的算法会被发现并用来对付他们。
而与此同时,拥有技术分析或机器学习的人正试图寻找已经存在了很长时间的模式。而这些模式在某人的弹指之间就会改变,或者自相矛盾,难怪交易如此困难。
工作模式必须考虑到所有这些--以及这些模式只在某些时间段起作用的事实,有时是相反的方向,并能够从当前的情况了解使用哪一套模式。
一切都是徒劳的?
没想到一个理智的人有这样的想法 :)
奥卡姆剃刀:"不要制造不必要的实体"。