交易中的机器学习：理论、模型、实践和算法交易 - 页 3174 1...316731683169317031713172317331743175317631773178317931803181...3399 新评论 Maxim Dmitrievsky 2023.08.17 05:50 #31731 我记得有一次，我们将一个时间序列向后而不是向前推算。结果似乎有很大不同。当然，我不会去核实 (s) :) fxsaber 2023.08.17 05:53 #31732 Maxim Dmitrievsky #: 它是相通的，因为你之前已经根据自己的知识或喜好设定了参数。最初，您知道如何通过哪些参数获得更好的曲线。此外，您还可以在以前的历史上进行交易，并在此基础上在新的历史上建立新的交易。这种格式塔疗法的深度是巨大的。） 我很熟悉这种重新训练大脑的效果。在这种情况下，TS 是按时间顺序 写在这篇之前的。 交易、自动交易系统和交易策略测试论坛 交易中的机器学习：理论、模型、实践和算法交易 fxsaber, 2023.08.17 07:38 图表显示了三年的每日交易情况。 无论如何，感谢您的想法。 fxsaber 2023.08.17 05:59 #31733 fxsaber #:我不明白为什么要分成火车/考试/考试。 请说明这些间隔的意义何在？ 目前我正在想象这样一个方案。 数字破碎机在列车上运行，过滤在测试中运行。 数字破碎机完全关闭。然后抽取几名考试成绩最好的学生。 第一点似乎有些奇怪。就像测试仪中的 "前向测试 "一样。这是否比只进行优化而不进行过滤，但在训练+测试的组合区间内进行优化更好？ mytarmailS 2023.08.17 06:11 #31734 fxsaber #:我不做那种自欺欺人的事。这是我唯一的办法。 Traine 优化。 我从找到的数据中选出前五名，并观察其在 OOS 上的表现。在任何情况下，这一点都不需要优化。 这正是原始图像的获取方式。因此，左侧漂亮的 OOS 根本不是拟合。 你正在做我描述的一对一的工作，请再仔细读一读。===================与 SB 进行比较，除非没有比较，而且无法证明 TS 在市场数据上的表现与 SB 不同，否则提出假设毫无意义。 fxsaber 2023.08.17 06:22 #31735 mytarmailS #: 您正在做的事情与我描述的相同，请再仔细阅读。 关于交易、自动交易系统和交易策略测试的论坛 交易中的机器学习：理论、模型、实践和算法交易 mytarmailS, 2023.08.16 13:23 想象一下，一般来说，您只有 1000 种 TS 变体。 您的步骤 1 和 2 1) 您开始优化/搜索一个好的 TS，这就是跟踪 数据（拟合/搜索/优化）。 比方说，您已经找到了 300 个可让 TC 赚钱的变体...... 2) 现在，您要从这 300 个变体中寻找一个能通过 OOS测试数据 的 TC。比如说，你已经找到了 10 个既能在交易 中赚钱又能在测试 中赚钱（OOS）的 TC。 我不做第二步。 资金管理回顾 mytarmailS 2023.08.17 06:42 #31736 fxsaber #: 我不做第二步。 你 "不做 "的第二步)) 有什么区别？ Andrey Dik 2023.08.17 07:49 #31737 fxsaber #:1.没有完全理解问题。左边的 OOS 是一年。是要放大到过去吗？2.我认为，代码中没有错误的表现是，代码完全按照编程前的设想运行。从这个意义上说，一切正常。在一般情况下，代码中有错误的 TC 仍然是 TC。它只是与作者最初的意图不尽相同而已。 1.是的。 2.是的。 如果训练后总是 出现急剧的梅花，那么向后交易就可以了（但这是一种非常奇怪的情况，很难解释其中的原因）。当然，训练后的急剧下跌很可能并不总是 发生（偶然的），那么这就表明模型的预测能力很弱。 СанСаныч Фоменко 2023.08.17 08:00 #31738 fxsaber #:毫无疑义的断言。我就 OOC 的位置问题发了一个帖子。我不是第一次遇到不喜欢测试员的情况了。我不知道数字破碎机有什么问题。我不明白优化时怎么能瞻前顾后。关于方法论。我不明白将训练/测试/考试分开的必要性。即使进行了最有利的统计研究，声称 TC 没有训练过度似乎也太自欺欺人了。我最多只能得到这样的结论："TC 很可能发现了训练间歇前后一段时间内存在的某种模式。同时，也不能保证这种模式没有被打破"。 我的高度分类是基于所述方法，这是 MO 的标准方法。我还没有提到交叉验证。这是分析 IO 市场的专业方法。 您所描述的是业余水平，即 TA 水平，在这种水平上，无法用统计数据来证明结论的正确性。正因为如此，统计被测试器所取代，而测试器的基础与统计无关。 如果您理解了这一点，您就可以也应该在 初步计算后 使用测试仪，而计算的结论是基于统计的。 这就是为什么我所描述的准备原始数据的方法超出了测试人员的范围，而且绝对是过度训练和瞻前顾后的保证。比较顺序测试和杂乱数据测试。 您不明白左侧的 OOS 如何会是瞻前顾后的结果，但这并不意味着它不是。从图片来看，这非常可疑。例如，算法很有可能是在未来寻找与 OOS 段一样漂亮的 OOS 段。一旦你移动到未来的测试段，就会立即感到扫兴。 结论。 测试右侧梅花的图片是过度训练和/或瞻前顾后的证据。 СанСаныч Фоменко 2023.08.17 08:07 #31739 关于测试仪。 测试仪有一个 "二维曲面 "形式的优化图。 它可以用来监控过度训练。 如果在这个曲面中，一个单元格被其他颜色大致相同的单元格包围，那么这个中心单元格将给出未过度训练 TC 的参数。这样的位置与找到的最佳值代表高原的事实相对应。 但是，如果 "表面 "看起来像豹皮，那么测试就没有希望了，因为测试者已经发现了大量的最大值，这表明将来击中这些最大值的概率极低。 СанСаныч Фоменко 2023.08.17 08:19 #31740 市场模型爱好者的一般参考资料。 Can a Simple Multi-Agent Model Replicate Complex Stock Market Behaviour? www.r-bloggers.com The stock market is one of the most complex systems we know about. Millions of intelligent, highly competitive people (and increasingly AIs) try to outwit each other to earn as much money as possible. In... 1...316731683169317031713172317331743175317631773178317931803181...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
它是相通的，因为你之前已经根据自己的知识或喜好设定了参数。最初，您知道如何通过哪些参数获得更好的曲线。此外，您还可以在以前的历史上进行交易，并在此基础上在新的历史上建立新的交易。这种格式塔疗法的深度是巨大的。）
我很熟悉这种重新训练大脑的效果。在这种情况下，TS 是按时间顺序 写在这篇之前的。
交易、自动交易系统和交易策略测试论坛
交易中的机器学习：理论、模型、实践和算法交易
fxsaber, 2023.08.17 07:38
图表显示了三年的每日交易情况。
无论如何，感谢您的想法。
我不明白为什么要分成火车/考试/考试。
请说明这些间隔的意义何在？
目前我正在想象这样一个方案。
第一点似乎有些奇怪。就像测试仪中的 "前向测试 "一样。这是否比只进行优化而不进行过滤，但在训练+测试的组合区间内进行优化更好？
我不做那种自欺欺人的事。这是我唯一的办法。
您正在做的事情与我描述的相同，请再仔细阅读。
关于交易、自动交易系统和交易策略测试的论坛
交易中的机器学习：理论、模型、实践和算法交易
mytarmailS, 2023.08.16 13:23
想象一下，一般来说，您只有 1000 种 TS 变体。
您的步骤 1 和 2
1) 您开始优化/搜索一个好的 TS，这就是跟踪 数据（拟合/搜索/优化）。
比方说，您已经找到了 300 个可让 TC 赚钱的变体......
2) 现在，您要从这 300 个变体中寻找一个能通过 OOS测试数据 的 TC。比如说，你已经找到了 10 个既能在交易 中赚钱又能在测试 中赚钱（OOS）的 TC。
我不做第二步。
我不做第二步。
你 "不做 "的第二步))
有什么区别？
1.没有完全理解问题。左边的 OOS 是一年。是要放大到过去吗？
2.我认为，代码中没有错误的表现是，代码完全按照编程前的设想运行。从这个意义上说，一切正常。
在一般情况下，代码中有错误的 TC 仍然是 TC。它只是与作者最初的意图不尽相同而已。
1.是的。
2.是的。
如果训练后总是 出现急剧的梅花，那么向后交易就可以了（但这是一种非常奇怪的情况，很难解释其中的原因）。当然，训练后的急剧下跌很可能并不总是 发生（偶然的），那么这就表明模型的预测能力很弱。
毫无疑义的断言。我就 OOC 的位置问题发了一个帖子。
我不是第一次遇到不喜欢测试员的情况了。我不知道数字破碎机有什么问题。
我不明白优化时怎么能瞻前顾后。
关于方法论。我不明白将训练/测试/考试分开的必要性。即使进行了最有利的统计研究，声称 TC 没有训练过度似乎也太自欺欺人了。
我最多只能得到这样的结论："TC 很可能发现了训练间歇前后一段时间内存在的某种模式。同时，也不能保证这种模式没有被打破"。
我的高度分类是基于所述方法，这是 MO 的标准方法。我还没有提到交叉验证。这是分析 IO 市场的专业方法。
您所描述的是业余水平，即 TA 水平，在这种水平上，无法用统计数据来证明结论的正确性。正因为如此，统计被测试器所取代，而测试器的基础与统计无关。
如果您理解了这一点，您就可以也应该在 初步计算后 使用测试仪，而计算的结论是基于统计的。
这就是为什么我所描述的准备原始数据的方法超出了测试人员的范围，而且绝对是过度训练和瞻前顾后的保证。比较顺序测试和杂乱数据测试。
您不明白左侧的 OOS 如何会是瞻前顾后的结果，但这并不意味着它不是。从图片来看，这非常可疑。例如，算法很有可能是在未来寻找与 OOS 段一样漂亮的 OOS 段。一旦你移动到未来的测试段，就会立即感到扫兴。
结论。
测试右侧梅花的图片是过度训练和/或瞻前顾后的证据。
关于测试仪。
测试仪有一个 "二维曲面 "形式的优化图。
它可以用来监控过度训练。
如果在这个曲面中，一个单元格被其他颜色大致相同的单元格包围，那么这个中心单元格将给出未过度训练 TC 的参数。这样的位置与找到的最佳值代表高原的事实相对应。
但是，如果 "表面 "看起来像豹皮，那么测试就没有希望了，因为测试者已经发现了大量的最大值，这表明将来击中这些最大值的概率极低。
市场模型爱好者的一般参考资料。