交易中的机器学习：理论、模型、实践和算法交易 - 页 322

新评论
 
马克西姆-德米特里耶夫斯基。

正向是盈利系数最高的，回测应该差不多，这意味着网格能够根据这些参数进行正常预测。

不，它不是。前进只是显示了真实交易中的潜在利润。拿出回测的最佳结果，看看它的前测结果--这就是你会赚到的。
你甚至可以利用优化为EA获得至少一个盈利的前进方向，但这样的EA无论如何优化都会崩溃。遗传学对参数进行了10000多次选择，其中一些参数在回测和前测中都是盈利的，但这只是一个意外。

前进可以作为创建/修改EA的控制手段--用其他东西替换那三个rsi参数，从基因上找到新的最佳参数值，看看前进中发生了什么。如果最好的回测结果与良好的远期结果相对应，并且这发生在不同时间间隔的优化过程中--那么EA是好的。 远期不要太长，几乎所有的EA都在长间隔中失去了，而没有额外的优化。例如，2个月的回测，一个星期的前测就足够了。


马克西姆-德米特里耶夫斯基。

我还是不太明白，如果规范化函数采用5000条数组而不是50条数组是否更好，这样它可以从一开始就找到更正确的最大和最小值，而不是随着时间的推移而更新，因为在测试开始时，我们会收到不太正确的规范化输入值，但后来越来越准确。

是的，有了5000个会更准确。此外，在实际交易中，在专家顾问启动、终端重新启动等之后，最小和最大的值将被重置。所有的优化都将丢失。存款将被销毁。
我也尝试在代码中改变一些东西以获得利润。 例如，我只是把一个没有任何添加物的纯线性回归结果乘以1000，然后添加0.5。结果几乎总是在[0;1]（如果它超出了限制--我将在日志中打印错误并在以后减少乘数），中心总是在0.5，而且永远不会失败。


马克西姆-德米特里耶夫斯基。

我仍然会对图表进行去趋势化，并为网格提供更多可消化的数值。 我还不确定如何改进，比如说，静止序列的回归斜率和自相关，因为我对计量经济学 不是很精通，我现在只是看视频剪辑

静止序列的回归斜率将为零，你不需要去寻找它。一般来说，如果你想在过去的N个柱子上找到当前趋势的斜率--那么线性回归是可以的，在代码中一切都已经很好。
自相关会有些混乱，因为它不是一个单一的值，而是一个长矢量（与滞后1的相关，与滞后2的相关，与滞后3的相关，等等）。所有这些值都不适合在RNN中使用。

 
交易员博士。

静态序列的回归斜率将为零，没有必要去寻找它。一般来说，如果想在过去的N个柱子上找到当前趋势的斜率，那么线性回归是可以的，代码中一切都已经很好了。
自相关会有些不明显，因为它不是一个单一的值，而是一个长矢量（与滞后1的相关，与滞后2的相关，与滞后3的相关，等等）。所有这些值都不适合在RNN中使用。


不，不，我们用正态图计算雷格斯的斜率，用detrend寻找自相关，或者也许我们把周期的周期性从0转移到1，就像在我们所处的周期阶段一样。

也就是说，在输入端，我们有一个回归斜率形式的方向和这个方向内的周期性

 
Maxim Dmitrievsky:

你对使用RNN作为MLP的一种自动编码器的想法有什么看法？

这句话有很大的问题 :)


一个自动编码器是一个神经元，它可以：
1）获取一些向量（例如顶点系列），并输出另一个长度较短的向量。一种损失不大的数据压缩。
2）取先前获得的短数据矢量，并从它那里重建原始数据（几乎是原始的，取决于第一步的损失）。这就是减压。

现实生活中的例子：你有一张BMP格式的图片，这种格式需要大量的磁盘空间。自动编码器获取其像素并向我们返回一个新的像素矢量--JPG格式的图像像素。同样的图像，但它占用的磁盘空间更少，而且有一点浑浊。
然后，如果你想从JPG返回到BMP，你可以这样做，但原来的亮度和鲜艳度并没有恢复。
我不认为我们可以把JPG算法放到神经元中，这个例子只是为了说明问题。


在这种情况下，RNN采取的不是时间序列，而是RSI，它只返回一个值，根据这个值无法恢复原始价格。



Maxim Dmitrievsky:

不，不，reg斜率是用正态图计算的，自相关是用detrend搜索的，可能是周期的周期性从0到1，就像我们现在处于周期的哪个阶段。

也就是说，输出将有回归斜率形式的方向和这个方向内的周期性。

啊，明白了。
 
交易员博士。

这句话有很大的问题 :)

那么，RNN首先采取的不是时间序列，而是RSI在这种情况下，它只返回一个值，通过它不能恢复原始价格。

但我们可以重建3个rsi读数:)它只是压缩了它们，并给出了一个概率，不是吗？)

自动编码器也有信息损失......我还不明白其中的区别。差异纯粹是在结构上，我们有一种简化的版本

 
尤里-阿索连科。
也看了一眼。我认为，这不是我们的主题领域。


我已经看到了关于欧元兑美元的M1的出版物。

你必须要看一下Rugarch

有许多这样的GARCNs。它们有三组参数：模型本身、平均值的类型和残差分布的类型。对于每个参数类型，最新的窥视。上文讨论了去趋势化问题。因此，在GARCH中，我们使用ARFIMA进行去趋势，即使用分数分化（Hurst）。

 
桑桑尼茨-弗门科。


嗯，为什么，我已经看到了M1的欧元兑美元的出版物，有多远。

你必须要看一下Rugarch

有许多这样的GARCNs。它们有三组参数：模型本身、平均值的类型和残差分布的类型。对于每个参数类型，最新的窥视。上文讨论了去趋势化问题。因此，在GARCH中，去趋势是使用ARFIMA，即有分数分化（Hurst）。


那么，如何将Garch放入网格中呢？ 与一些指标的输入方式相同。毕竟，网格本身应该在其内部创建模型
 
马克西姆-德米特里耶夫斯基。

那么，你如何将垃圾放入网格中呢？毕竟，网格本身应该在其内部创建模型。

不要把正派的东西塞给正派的人。
 
桑桑尼茨-弗门科。

吐口水在网里，不要把体面的东西塞进不体面的网里

不，你应该为了好玩而做，绝对有可能找到网的用途
 
Maxim Dmitrievsky:

不，这只是一个兴趣问题，而且显然可以想到网格的应用。
所有的机器学习 和NS模型 都极其依赖于预测器，这些预测器必须与目标函数相适应。所有这些在上面已经讨论过很多次了。主要的努力是在数据化上，而网格本身并不重要。
 
桑桑尼茨-弗门科。
所有的机器学习和NS模型都极其依赖于预测器，这些预测器必须与目标函数相适应。所有这些在上面已经讨论过很多次了。主要的努力是在数据化上，而网格本身并不重要。

我只是想在上面讨论预测器的变体 :) 我会努力的，Che
1...315316317318319320321322323324325326327328329...3399
新评论