交易中的机器学习：理论、模型、实践和算法交易 - 页 3370

新评论
 
Bogard_11 #:

模式，又称模型，只有一个。只要将任何动作简化为 ABC，就能找到该模式的所有矩阵比例。即使没有机器学习，所有这些都可以通过手工轻松计算出来。拉诺克并不比学校的代数和几何课程复杂。

例如，在木制模型中，有许多模型的图案是一棵树。每个木质模型，例如 CatBoost，都能找到一百多棵树，读取模式。对于 RandomForest，我有统计数字：分类误差下降到 50 棵树，超过 150 棵树时，分类误差保持稳定，也就是说，在我处理的时间序列中，模式数量不超过 150 个。

 
СанСаныч Фоменко #:

例如，在木质模型中，有许多模型的图案就是一棵树。每个木质模型，例如 CatBoost，都能找到一百多棵树，读取模式。对于 RandomForest，我有这样的统计数据：在 50 棵树以下，分类误差会下降，而在 150 棵树以上，分类误差会保持稳定，也就是说，在我处理的时间序列中，模式的数量不会超过 150 个。

剩下的工作就是将这 150 种模式形式化为一种共同模式。如果有A，有B，那么C 就会在这样那样的鸭子的某个时间出现，如果没有，时间和地点就会不同。C 的发展只有三种不同的变体，一切都是由时间 决定的！这可以很容易地先用手算出来，然后你可以把它装进机器人，如果你愿意的话。

附注- 不仅仅是A 的大小已经为B 的 回调提供了一定的水平（通常回调不会超过 1-3 个点）。同样，B 也会提前预示C 的价格水平。

例如，手动智能交易系统会根据我们感兴趣的走势自动计算价格水平。也就是说，我们拉动所需的波浪，未来就已经被标记出来了。

附加的文件：
GBPUSD.ffxM5.png  44 kb
GBPUSD.ffxM59.png  42 kb
GBPUSD.ffxM15.png  43 kb
 
СанСаныч Фоменко #:

例如，在木质模型中，有许多模型的图案就是一棵树。每个木质模型，例如 CatBoost，都能找到一百多棵树，读取模式。对于 RandomForest，我有这样的统计数据：在 50 棵树以下，分类误差会下降，而在 150 棵树以上，分类误差会保持稳定，也就是说，在我处理的时间序列中，模式的数量不会超过 150 个。

相反，每片叶子的响应超过您的开仓阈值时，其路径就是一种模式。
举例说明：
第 1 次分割：40 条 delta，当前 = 0，
第 2 次分割：30 条 = 100，
第 3 次分割：20 条 = 50，
第 4 次分割：10 条 = 100，
第 5 次分割：1 条 = 0。
这是两个顶部和一个低谷。是模式吗？是的。通往 1 个叶片的路径描述了它。

如果您的树中有 20 个叶片超过了您正在交易的阈值，那么您的树中就有 20 个您使用的模式。
其他 100 棵树可以使用具有不同分割值的其他筹码/条。
森林将对所有树木的答案进行平均（相加并除以树木数量），我们将得到对情况的平均看法。
Boost 只需加上加权/澄清系数即可。

 
Bogard_11 #:

要把这 150 个模式正式归纳为一个共同模式，只剩下 一点点了。有A 就有B，有B 就有C，有 C 就有A，有 A 就有B。C 的发展只有三种不同的变体，一切都是由 "时间"决定的！这一点可以很容易地先用手算出来，然后你可以把它装进机器人，如果你愿意的话。

附注- 不仅仅是A 的大小已经为B 的 回调提供了一定的水平（通常回调不会超过 1-3 个点）。同样，B 也会提前预示C 的价格水平。

例如，手动智能交易系统会根据我们感兴趣的走势自动计算价格水平。也就是说，我们拉动所需的波浪，未来就已经被标记出来了。

不需要任何形式化的东西，一切都会为您完成。

 
Forester #:

相反，如果每张纸的答案都超过了您开仓交易的阈值，那么它的路径就是一种模式。
例如：
第 1 次分割：40 条 Delta，当前 = 0，
第 2 次分割：30 条 = 100，
第 3 次分割：20 条 = 50，
第 4 次分割：10 条 = 100，
第 5 次分割：1 条 = 0。
这是两个顶部和一个低谷。是模式吗？是的。通往 1 个叶片的路径描述了它。

如果您的树中有 20 个叶片超过了您正在交易的阈值，那么您的树中就有 20 个您使用的模式。
其他 100 棵树可以使用具有不同分割值的其他筹码/条。
森林将对所有树木的答案进行平均（相加并除以树木数量），我们将得到对情况的平均看法。
Boost 只需加上加权/澄清系数即可。

树就是树，我记得你甚至可以把它们打印出来。

而叶子则是一种暗物质。在树叶层面，算法和设计者的笔会在分类误差和偏差之间寻求平衡。有可能将树设置得太深，以至于它们完全描述了输入集--过度训练或过度拟合。而问题在于，在我们不知道输入集的情况下，如何以最小的误差进行分类。当然，树叶是有限的，但必须是近似的，而不是完全 "有限 "的。因此，一个模式就是一棵树。

 
СанСаныч Фоменко #:

树就是树，我记得它们甚至可以打印出来。

但树叶的问题却很深奥。正是在树叶层面，算法和设计者的笔一起，在分类误差和偏差之间寻找平衡。有可能将树设置得太深，以至于它们完全描述了输入集--过度训练或过度拟合。而问题在于，在我们不知道输入集的情况下，如何以最小的误差进行分类。当然，树叶是有限的，但必须是近似的，而不是完全 "有限 "的。因此，一个模式就是一棵树。

我不同意。我举了一个深度为 5 的叶子的例子（叶子是通过 5 次拆分得到的，它是一个模式）。如果你通过 200 次拆分得到了一个树叶，那么它就会给你一个过度训练的模式，在新数据上的表现会很差。但它不会停止成为一种模式。一棵树就是一组模式。

 
Forester #:

我不同意。我举了一个 5 深度工作表的例子（工作表是通过 5 次分割获得的，它是一种模式）。如果你通过 200 次拆分得到一个数据表，那么它将为你提供一个重新训练过的模式，而这个模式在新数据上的表现会很差。但它并不会停止成为一种模式。一棵树就是一组模式。

让我们从炉子开始。

我正在考虑树的两种变体：袋状和布尔（RF、ADA）类型。

无论哪种算法，都会考虑输入数据的可能性，而不会参考相邻行。

在单行中，选择的预测值将以最高概率预测目标变量（教师）指定的类别。

在单行中，从输入预测因子集合中选择一定数量的预测因子及其值的组合被称为一种模式。

 
СанСаныч Фоменко #:

在一行中 ，选择的预测值 将以最高概率预测目标变量（教师）指定的类别。

从输入预测因子集合中选出的若干预测因子及其值在一行中的组合可称为一种模式。

你误解了炉灶。看来你从来没看过树形结构代码....那里根本没有一行内的操作！！！只有对集合的操作（全集或批次）。

简而言之：
传入训练的随机/完整行集，按每个预测因子/列逐一排序。检查对其进行的不同拆分（中间拆分/百分位拆分/随机拆分），计算每种拆分的统计数据，然后为整组行选择最佳拆分，而不是像你建议的那样为某一行/每一行选择最佳拆分。
根据最佳拆分，字符串集被分为 2 组，然后每组再次排序，并为每部分选择最佳拆分，等等，直到达到停止规则（按深度、每行示例数等）

你可以在编辑器中看到更多细节，你拥有的文件是：
\MQL5\Include\Math\Alglib\dataanalysis.mqh
ClassifierSplit() 函数和调用该函数的文件。
几个小时后，你就会明白它的意思，也就不用再讨论一行一行搜索预测器的问题了。
 
СанСаныч Фоменко #:

不需要任何手续--一切都已为您完成。

那么，你的机器人对未来正负三小时间隔的精确度是多少呢？我说的是您的人工智能将计算未来的支点。同一英镑兑美元的日内误差为正负5-10点，m5误差为正负1-2条。

您的人工智能是否能及时意识到，模型（模式）不是按价格移动的，而是按时间移动的？这意味着触发的不是第一个计算点，而是第二个或第三个计算点。:)

程序员就像小孩子一样，如果有人怀疑计算机的能力（比如机器会发现一切），他们就会立刻噘起嘴，不以为然。;)没有人能赶上你，你永远不会明白为什么你找不到一个 100% 有效的算法。就因为一个微小的、不易察觉的细节，正是它发出了一个信号，未来图案的比例将发生一定程度的变化。但你们都是轩尼诗人和代码之神，挑选东西（用手搜索一切，在纸上或计算器上计算）并不是一件光荣的事。在输入端编写一些废话，在输出端得到废话，然后试图优化这一切，这样做更容易。

早在 100 多年前，人们就已经描述了一个清晰的逻辑数学系统（它仍然像时钟一样有效）。在代数和几何方面都是如此。但是，他们自己的发明者却还在丰....

 
Bogard_11 #:

100 多年前，人们就已经描述了一个清晰的逻辑数学系统（至今仍在正常运行）。无论是代数还是几何。但仍有很多发明家在自己的领域里孜孜以求.....。

那么，让我们看看你的贸易...
为什么都是拗口的词汇？

让我们看看你们的TS是如何根据一个有着百年历史的、像发条一样运转的理论来工作的......
来吧
1...336333643365336633673368336933703371337233733374337533763377...3399
新评论