交易中的机器学习:理论、模型、实践和算法交易 - 页 3162 1...315531563157315831593160316131623163316431653166316731683169...3399 新评论 Aleksey Nikolayev 2023.07.26 18:56 #31611 Maxim Dmitrievsky #: 是的,当存在大量噪声时,方差最大的成分无法显示任何东西。我不明白第二个数据集是如何参与其中的,但这也是 kozul 的东西,他的视频中也有关于三元组的内容。 看来第二个数据集只是为了找到与第一个数据集的对比。看来,两个数据集的协方差矩阵被巧妙地进行了比较。 mytarmailS 2023.07.27 08:39 #31612 Aleksey Nikolayev #:这些似乎都是非线性的,如果我没弄混的话,这些都和 PCA 一样是线性的。 是的,它们是非线性的,但这是坏事吗? 我尝试了对比 PCA,得到的结果与 PCA 几乎一样。 这个小图 展示了所有不同类型的对比。 它显示了 PCA 在其他方法面前显得多么 "苍白",但如果数据不仅进行了归一化处理,而且还进行了居中处理(我已经单独进行了居中处理),那么普通 PCA 在这里展示的数据上就会得到相同的结果。 Forester 2023.07.27 10:37 #31613 mytarmailS #:是的,非线性,但这是坏事吗?我尝试了这种对比 PCA,得到的结果与 PCA 几乎一样。这个小图 展示了所有不同类型的对比。它显示了 PCA 在其他方法面前显得多么 "苍白",但如果数据不仅进行了归一化处理,而且还进行了居中处理(我已经单独进行了居中处理),那么普通 PCA 在此处展示的数据上就会得到相同的结果。 与这些测试数据相比,PCA 的结果可能 "差强人意",而皮质的结果也是如此? mytarmailS 2023.07.27 10:56 #31614 Forester #: 与这些测试数据相比可能 "差 "了一些,而在科特洛夫基上得到的结果是一样的吗? 不,他们自己的数据也是一样的 ============= library(scPCA) label <- toy_df$label data <- toy_df[, -31] pca <- prcomp(data,center = TRUE) plot(pca$x,col=label,lwd=2,main = "обычный РСА") cpca <- scPCA(target = data, background = background_df, penalties = 0, n_centers = 4) plot(cpca$x, col=label, lwd=2,main = "контрасный РСА") 我就是这么做的。 npca <- prcomp(data,center = TRUE,scale. = TRUE) plot(npca$x,col=label,lwd=2,main = "обычный РСА + нормализация") library(umap) um <- umap(data) plot(um$layout,col=label,lwd=2,main = "umap без нормализации данных") num <- umap( scale(data,center = TRUE,scale = TRUE) ) plot(num$layout,col=label,lwd=2,main = "umap + нормализация") 是这样的....我们得出自己的结论。 Maxim Dmitrievsky 2023.07.31 19:30 #31615 我们的目标不是在特定数据集中找到中心点,而是以灵活的方式找到数据的成功表现形式。这种方法就可以做到这一点。我想 yumap 也能做到这一点,但就稳定性而言,线性通常总是比非线性好。 这是一种不错的方法,但还有更漂亮的方法。 如果有人正在使用 cPCA,我们可以讨论一下。 Forester 2023.07.31 20:23 #31616 我发现了另一个问题。,我找到了一个很好的变体,即每周对 5000 行 M5(3.5 周)进行一次训练。我决定将所有数据转移到 300 行,比如不在周六训练,而是在周二训练。结果,OOS 模型从盈利变为不盈利。 这些新的 300 行(约占总数的 8%)带来了其他筹码和其他拆分,对于略有变化的数据变得更好。 在 50000 行中重复移动 300 行。这似乎只占新行的 0.8%。但 OOS 的变化也很明显,尽管没有 5000 行那么大。 总的来说,不仅窗口的大小适合,窗口的起始位置也适合。微小的偏移也会对结果产生很大影响。没有明显的特征,一切都在 50/50 ± 1-2% 的边缘。 Maxim Dmitrievsky 2023.07.31 20:55 #31617 我会忘记间歇性再训练。在这个问题上,RL 已经显示出它的失败。Wizard 也写过这方面的文章,当时我还在做这类事情。那里有 50 多篇文章,方法很多,不可能集中精力做任何事情:) Ivan Butko 2023.07.31 21:03 #31618 先生们,本主题的专家和院士们,请就以下问题发表您的看法: 如果我们把外汇看成是游戏中的游戏。就像国际象棋。或者围棋,或者其他什么。 我们将游戏分成几批:每批 500 步。每一步是每小时的收盘价。500 步是一个月的平均交易时间。 我们输入任何东西 + 余额状态。 我们设定两条规则:如果余额下降 30%,或者游戏结束时余额为负数,则游戏重新开始。 共有 N 个游戏(假设 120 个,相当于 10 年) 目标是在所有游戏中获胜,无论加数是多少。 代理的操作: 1) 买入 0.01 2) 买入 0.02 3) 买入 0.03 4) 买入 0.04 5) 买入 0.05 6) 买入 0.06 7) 买入 0.07 8) 买入 0.08 9) 买入 0.09 10) 买入 0.1 11) 卖出 0.01 12) 卖出 0.02 13) 卖出 0.03 14) 卖出 0.04 15) 卖出 0.05 16) 卖出 0.06 17) 卖出 0.07 18) 卖出 0.08 19) 卖出 0.09 20) 卖出 0.10 21) 收盘 0.01 22) 收盘 0.02 23) 收盘 0.03 24) 收盘 0.04 25) 平仓 0.05 26) 平仓 0.06 27) 平仓 0.07 28) 平仓 0.08 29) 平仓 0.09 30) 平仓 0.10 31) 全部平仓 32) 不开仓 33) 跳过一个动作 共计 33 个动作。 奖励是递延的--等于部分和全部仓位的开仓价 与平仓价之差。 输入余额将给出代理所知道的状态的一部分。毕竟,根据规则,代理的行为必须改变环境的状态。代理无法改变价格图,但他可以影响其输入状态的余额。这就好比棋盘上的棋子。代理不知道用这些棋子能走多少万步,但他知道自己在棋盘上还剩下多少棋子。 因此,没有必要记住每一根下一根蜡烛(是负数还是正数),但我们要学会牺牲小的平局(棋盘上的棋子),以便在最后获得利润。 我在互联网上读到过如何训练神经网络,如果它有一个以上的输出,他们写到 DQN。 毕竟,在国际象棋中,状态的数量是有条件的未知数 ,而在这些条件下,神经网络比人类 更胜一筹。为什么不在 "该死的外汇 "游戏中尝试类似的方法呢? Flexible Time Charts for Reversal Magic trading system 脑系统。交易系统开发和交易 mytarmailS 2023.07.31 21:15 #31619 Ivan Butko #:先生们 问题是什么? Ivan Butko 2023.07.31 21:19 #31620 mytarmailS #: 那么问题是什么? 对试图通过教代理玩游戏来教外汇的看法。 是否有鱼,也许尝试过类似的东西,是否有经验。 1...315531563157315831593160316131623163316431653166316731683169...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
是的,当存在大量噪声时,方差最大的成分无法显示任何东西。我不明白第二个数据集是如何参与其中的,但这也是 kozul 的东西,他的视频中也有关于三元组的内容。
看来第二个数据集只是为了找到与第一个数据集的对比。看来,两个数据集的协方差矩阵被巧妙地进行了比较。
这些似乎都是非线性的,如果我没弄混的话,这些都和 PCA 一样是线性的。
是的,它们是非线性的,但这是坏事吗?
我尝试了对比 PCA,得到的结果与 PCA 几乎一样。
这个小图 展示了所有不同类型的对比。
它显示了 PCA 在其他方法面前显得多么 "苍白",但如果数据不仅进行了归一化处理,而且还进行了居中处理(我已经单独进行了居中处理),那么普通 PCA 在这里展示的数据上就会得到相同的结果。
是的,非线性,但这是坏事吗?
我尝试了这种对比 PCA,得到的结果与 PCA 几乎一样。
这个小图 展示了所有不同类型的对比。
它显示了 PCA 在其他方法面前显得多么 "苍白",但如果数据不仅进行了归一化处理,而且还进行了居中处理(我已经单独进行了居中处理),那么普通 PCA 在此处展示的数据上就会得到相同的结果。
与这些测试数据相比可能 "差 "了一些,而在科特洛夫基上得到的结果是一样的吗?
不,他们自己的数据也是一样的
=============
我就是这么做的。
是这样的....我们得出自己的结论。
我们的目标不是在特定数据集中找到中心点,而是以灵活的方式找到数据的成功表现形式。这种方法就可以做到这一点。我想 yumap 也能做到这一点,但就稳定性而言,线性通常总是比非线性好。
这是一种不错的方法,但还有更漂亮的方法。
如果有人正在使用 cPCA,我们可以讨论一下。
我发现了另一个问题。
总的来说,不仅窗口的大小适合,窗口的起始位置也适合。微小的偏移也会对结果产生很大影响。没有明显的特征,一切都在 50/50 ± 1-2% 的边缘。,我找到了一个很好的变体,即每周对 5000 行 M5(3.5 周)进行一次训练。我决定将所有数据转移到 300 行,比如不在周六训练,而是在周二训练。结果,OOS 模型从盈利变为不盈利。
这些新的 300 行(约占总数的 8%)带来了其他筹码和其他拆分,对于略有变化的数据变得更好。
在 50000 行中重复移动 300 行。这似乎只占新行的 0.8%。但 OOS 的变化也很明显,尽管没有 5000 行那么大。
先生们,本主题的专家和院士们,请就以下问题发表您的看法:
如果我们把外汇看成是游戏中的游戏。就像国际象棋。或者围棋,或者其他什么。
我们将游戏分成几批:每批 500 步。每一步是每小时的收盘价。500 步是一个月的平均交易时间。
我们输入任何东西 + 余额状态。
我们设定两条规则:如果余额下降 30%,或者游戏结束时余额为负数,则游戏重新开始。
共有 N 个游戏(假设 120 个,相当于 10 年)
目标是在所有游戏中获胜,无论加数是多少。
代理的操作:
1) 买入 0.01
2) 买入 0.02
3) 买入 0.03
4) 买入 0.04
5) 买入 0.05
6) 买入 0.06
7) 买入 0.07
8) 买入 0.08
9) 买入 0.09
10) 买入 0.1
11) 卖出 0.01
12) 卖出 0.02
13) 卖出 0.03
14) 卖出 0.04
15) 卖出 0.05
16) 卖出 0.06
17) 卖出 0.07
18) 卖出 0.08
19) 卖出 0.09
20) 卖出 0.10
21) 收盘 0.01
22) 收盘 0.02
23) 收盘 0.03
24) 收盘 0.04
25) 平仓 0.05
26) 平仓 0.06
27) 平仓 0.07
28) 平仓 0.08
29) 平仓 0.09
30) 平仓 0.10
31) 全部平仓
32) 不开仓
33) 跳过一个动作
共计 33 个动作。
奖励是递延的--等于部分和全部仓位的开仓价 与平仓价之差。
输入余额将给出代理所知道的状态的一部分。毕竟,根据规则,代理的行为必须改变环境的状态。代理无法改变价格图,但他可以影响其输入状态的余额。这就好比棋盘上的棋子。代理不知道用这些棋子能走多少万步,但他知道自己在棋盘上还剩下多少棋子。
因此,没有必要记住每一根下一根蜡烛(是负数还是正数),但我们要学会牺牲小的平局(棋盘上的棋子),以便在最后获得利润。
我在互联网上读到过如何训练神经网络,如果它有一个以上的输出,他们写到 DQN。
毕竟,在国际象棋中,状态的数量是有条件的未知数 ,而在这些条件下,神经网络比人类 更胜一筹。为什么不在 "该死的外汇 "游戏中尝试类似的方法呢?
先生们
那么问题是什么?
对试图通过教代理玩游戏来教外汇的看法。
是否有鱼,也许尝试过类似的东西,是否有经验。