交易中的机器学习:理论、模型、实践和算法交易 - 页 353 1...346347348349350351352353354355356357358359360...3399 新评论 Maxim Dmitrievsky 2017.05.16 12:55 #3521 尤里-阿索连科。 如果我们说到分钟,市场在统计学上是同质的,也就是说,统计数据在每周和每月之间变化很小(稳定)。我不知道,我没有研究过更长的时间范围内的问题。在我的印象中,你的工作是1分钟。 15分钟是基本的时间框架,或1分钟的OHLC,但它仍然是15分钟。我想使用ticks,但它的优化速度很慢,测试器正在用C++编写,可能会更快完成。原则上说,如果你经常在小时间段过度优化,你可以在分钟上进行优化。当然,不是圣杯,但你可以赚到一些东西。 jommerbot 2017.05.16 15:14 #3522 有人尝试过实现Q学习或其他强化算法吗?也许有一些人认识他们?我对统计学很感兴趣,他们是如何应对存款管理任务的?我找到了几篇关于这个问题的文章,但他们的结论相当模糊和含糊。 Yuriy Asaulenko 2017.05.16 17:10 #3523 正如所承诺的那样,我在博客中发表了一份关于NA识别MA交叉的任务的简短报告--NEUROSETS和MOVING AVERAGE。 Forester 2017.05.16 20:59 #3524 尤里-阿索连科。 按照承诺,我在我的博客上发表了关于识别MA交叉的任务的简短报告NS -NEUROSETS和移动平均数在新闻、文章等中,他们谈到了神经网络的成就,例如,他们可以区分小猫和小狗,等等。但它们显然是非常昂贵的商业或实验性网络,普通商人负担不起,也无法开发。我们可用的NS(例如来自R或ALGLIB)能否将三角形、正方形和圆形等原始事物区分开来? 就像从2-3岁儿童的学习游戏中一样。 在我看来,关于这个主题的材料可以安排在一个新的分支https://www.mql5.com/ru/forum/192779,以便(如果有一个结果和一个重复实验的机会)人们可以找到它并重复它,而在这里的350页已经很难找到东西...... Насколько доступные трейдерам нейросети умны? 2017.05.16www.mql5.com В новостях, статьях и т.д. говорят о достижениях нейросетей, например, что они котят от щенят отличают и т.д. Но очевидно там оч... Yuriy Asaulenko 2017.05.16 21:43 #3525 elibrarius。新闻、文章等都在谈论神经网络的成就,例如,它们可以区分小猫和小狗,等等。但显然,这些都是非常昂贵的商业或实验性网络,普通商人无法负担或开发。而NS(例如来自R或ALGLIB)能否区分原始事物,如三角形、正方形和圆形之间的区别? 就像2-3岁儿童的教育游戏。那么,绝对困难的变体--体积数字...我不知道Alglib的情况,但你可以在R中做,你需要一个大约16x16的输入矩阵。即每个输入有256个神经元)。好吧,也许有点少。你可以在网上找到类似问题的现成实现。你也可以用旋转来做,但NS会更深入、更复杂。就我个人而言,我还是算了吧))。虽然,对于TC的建设,我没有看到你的问题在这种形式下的应用。 Forester 2017.05.16 21:55 #3526 尤里-阿索连科。虽然,对于TC建设,我没有看到你的特定任务在这种形式下的应用。 我只是想在将其应用于更复杂的交易任务之前,确保我们可用的网络能够处理简单的任务。 Yuriy Asaulenko 2017.05.16 22:12 #3527 elibrarius。 我只是想在将其应用于更复杂的交易任务之前,确保我们可用的网络能够处理简单的任务。 经过对MA的实验,在这个阶段,我看到在TS中应用NS的主要问题是对输入到NS的数据的准备。原始数据对大多数NS来说可能是无法食用的。 Алёша 2017.05.16 22:27 #3528 elibrarius。 我只是想在将其应用于更复杂的交易任务之前,确保我们可用的网络能够处理简单的任务。 正方形和 圆形可以用经典的MLP 轻松识别,没有任何问题,如果再深入一点,就会遇到经典的手写数字识别任务MNIST,在那里,普通的MLP 是轻而易举地达到97%,然后随着嘎吱嘎吱又是半个百分点,然后就开始用手鼓跳舞。事实上,这样的情况模式在ML 的许多任务中都得到了认可,通常战斗不是为了足够的结果,而是为了括号里的3-5位小数。 Vladimir Perervenko 2017.05.17 08:05 #3529 尤里-阿索连科。 经过对MA的实验,在这个阶段,我看到在TC中使用NS的主要问题是为NS输入的数据做准备。原始数据对大多数NS来说可能是无法食用的。本支部的成立主要是为了解决这个问题。但是,从你自己的经验中确定这个问题的重要性,要有用得多。你正处于一个困难但有趣的旅程的开始。祝好运PS。在R,以及通过它的Python,目前已知的所有最复杂的神经网络都可以使用。你只需要学习如何使用它们。 Vladimir Perervenko 2017.05.17 08:07 #3530 桑桑尼茨-弗门科。 是的,而且去死吧。愚蠢地采取最简单的东西,即随机森林。通常情况下,我们得到的课程是培训的结果。在现实中,该算法给出了该类的概率,我们从中得到了该类。通常情况下,我们把两个班的概率分成两半。分成几个等级怎么样:0 - 0.1是一个等级,0.9 - 1.0是另一个等级?而0.1-0.9之间的差距是市场上的?这就是我在文章中看到的情况。这在calibrate::CORELearn/ 中得到了更正确和优雅的解决。现在已经有相当一段时间了。祝好运 1...346347348349350351352353354355356357358359360...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
如果我们说到分钟,市场在统计学上是同质的,也就是说,统计数据在每周和每月之间变化很小(稳定)。我不知道,我没有研究过更长的时间范围内的问题。在我的印象中,你的工作是1分钟。
15分钟是基本的时间框架,或1分钟的OHLC,但它仍然是15分钟。我想使用ticks,但它的优化速度很慢,测试器正在用C++编写,可能会更快完成。
原则上说,如果你经常在小时间段过度优化,你可以在分钟上进行优化。当然,不是圣杯,但你可以赚到一些东西。
按照承诺,我在我的博客上发表了关于识别MA交叉的任务的简短报告NS -NEUROSETS和移动平均数
在新闻、文章等中,他们谈到了神经网络的成就,例如,他们可以区分小猫和小狗,等等。但它们显然是非常昂贵的商业或实验性网络,普通商人负担不起,也无法开发。
我们可用的NS(例如来自R或ALGLIB)能否将三角形、正方形和圆形等原始事物区分开来? 就像从2-3岁儿童的学习游戏中一样。
在我看来,关于这个主题的材料可以安排在一个新的分支https://www.mql5.com/ru/forum/192779,以便(如果有一个结果和一个重复实验的机会)人们可以找到它并重复它,而在这里的350页已经很难找到东西......新闻、文章等都在谈论神经网络的成就,例如,它们可以区分小猫和小狗,等等。但显然,这些都是非常昂贵的商业或实验性网络,普通商人无法负担或开发。
而NS(例如来自R或ALGLIB)能否区分原始事物,如三角形、正方形和圆形之间的区别? 就像2-3岁儿童的教育游戏。
那么,绝对困难的变体--体积数字...
我不知道Alglib的情况,但你可以在R中做,你需要一个大约16x16的输入矩阵。即每个输入有256个神经元)。好吧,也许有点少。你可以在网上找到类似问题的现成实现。
你也可以用旋转来做,但NS会更深入、更复杂。就我个人而言,我还是算了吧))。
虽然,对于TC的建设,我没有看到你的问题在这种形式下的应用。
虽然,对于TC建设,我没有看到你的特定任务在这种形式下的应用。
我只是想在将其应用于更复杂的交易任务之前,确保我们可用的网络能够处理简单的任务。
我只是想在将其应用于更复杂的交易任务之前,确保我们可用的网络能够处理简单的任务。
正方形和 圆形可以用经典的MLP 轻松识别,没有任何问题,如果再深入一点,就会遇到经典的手写数字识别任务MNIST,在那里,普通的MLP 是轻而易举地达到97%,然后随着嘎吱嘎吱又是半个百分点,然后就开始用手鼓跳舞。事实上,这样的情况模式在ML 的许多任务中都得到了认可,通常战斗不是为了足够的结果,而是为了括号里的3-5位小数。
经过对MA的实验,在这个阶段,我看到在TC中使用NS的主要问题是为NS输入的数据做准备。原始数据对大多数NS来说可能是无法食用的。
本支部的成立主要是为了解决这个问题。但是,从你自己的经验中确定这个问题的重要性,要有用得多。你正处于一个困难但有趣的旅程的开始。
祝好运
PS。在R,以及通过它的Python,目前已知的所有最复杂的神经网络都可以使用。你只需要学习如何使用它们。
是的,而且去死吧。
愚蠢地采取最简单的东西,即随机森林。通常情况下,我们得到的课程是培训的结果。在现实中,该算法给出了该类的概率,我们从中得到了该类。通常情况下,我们把两个班的概率分成两半。
分成几个等级怎么样:0 - 0.1是一个等级,0.9 - 1.0是另一个等级?而0.1-0.9之间的差距是市场上的?
这就是我在文章中看到的情况。
这在calibrate::CORELearn/ 中得到了更正确和优雅的解决。
现在已经有相当一段时间了。
祝好运