交易中的机器学习:理论、模型、实践和算法交易 - 页 322 1...315316317318319320321322323324325326327328329...3399 新评论 Dr. Trader 2017.05.07 15:18 #3211 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。 Maxim Dmitrievsky 2017.05.07 15:38 #3212 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 Dr. Trader 2017.05.07 15:38 #3213 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。 Maxim Dmitrievsky 2017.05.07 15:45 #3214 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 СанСаныч Фоменко 2017.05.07 16:23 #3215 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)。 Maxim Dmitrievsky 2017.05.07 16:45 #3216 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 СанСаныч Фоменко 2017.05.07 17:01 #3217 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。 Maxim Dmitrievsky 2017.05.07 17:04 #3218 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 СанСаныч Фоменко 2017.05.07 17:06 #3219 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。 Maxim Dmitrievsky 2017.05.07 17:08 #3220 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 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
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。
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。
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。
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
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。
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
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)。
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
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。
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
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。
我只是想在上面讨论预测器的变体 :) 我会努力的,Che