交易中的机器学习：理论、模型、实践和算法交易 - 页 369

新评论
 
elibrarius:

顺便说一下，我检查了欧元兑美元M1图表上从10到60（6件）的周期的相关性，朝向出口（我没有人字形，但接近的东西）。

-0.00,0.01,0.00,0.01,0.01,-0.01

相关性从-0.01到0.01，即完全没有相关性。

然而，你的专家顾问显示了利润。你必须手动放置交易，查看趋势线，并根据图表运动制定一些规则。 我相信，编写一个普通的EA，根据这些规则工作，要容易得多。


好了，现在在输出端按照一定的规则送入同一个回归的增量，有一个偏移，或者几个回归（几个输出）......相关关系将是正常的。并输入更多不同时期的回归数据。MLP会在自己内部建立一个很酷的回归模型，就像Garch一样，一切都会好起来的 :)但一般来说，你需要一个更高级的神经网络，比如说LSTM。

我的显示利润，因为它是通过优化器运行的，它是肮脏的结果:)你可以说，配合，这将不会在前进的道路上工作很长时间（好的时期会）。

 
在我看来，找到正确的目标标记甚至比找到好的输入更成问题。
毕竟，在图表上，除了从 "之 "字形（或其他方法）获得的点之外，还有几十个交易将获利的时刻/条。但NS试图只用这一种学习的变体来纠正交易。
而与trendlinearreg的例子很好地说明了这一点。
 
elibrarius。
在我看来，找到正确的目标标记甚至比找到好的输入更成问题。
毕竟，除了从 "之 "字形（或其他方法）获得的点之外，图表上还有几十个点/条，此时交易将是有利可图的。但NS试图只用这一种学习的变体来纠正交易。
这在潮流的例子中可以清楚地看到。

因此，NS应作为一个系统的一部分，一个过滤器，或不同NS的集合体来使用
 
迪米特里。


所有的MO都是基于输入变量必须与输出变量相关的事实。

否则，所有MO模型就没有意义。

你严重误解了。相关性只是 线形 依赖性，y=kx，即使是一个微不足道的XOR数据集也会给出单个特征与目标的零相关性，然而对于一个非线性分类器来说是很容易解决的。
 
Alesha:
你严重搞错了。相关性只是 线形 依赖性，y=kx，即使是一个微不足道的XOR数据集也会给出单个特征与目标的零相关性，然而对于一个非线性分类器来说是很容易解决的。


我已经读了三遍这个--很难理解这些废品....。

那么？

我可以采取多元回归，其中一个或多个（部分）输入变量与输出的相关性接近于0，但该模型将给出一个高预测精度。

那又怎样？

如果你去掉这些变量，问题的维度就会降低，准确性也会提高。

那又怎样？

你的帖子的重点是什么？

 

抛弃 "不必要的 "变量的问题解决了降低模型维度的问题。

对于DM来说，它也增加了模型预测的准确性。

对于NS的准确性，我不知道。

 
迪米特里。


读这篇文章三遍--理解这些废品的难度....

那又怎样？

我可以采取多元回归，其中一个或多个（部分）输入变量将与输出变量的相关性接近于0，但该模型将给出一个高预测精度。

那又怎样？

如果你去掉这些变量，问题的维度就会降低，准确性也会提高。

那又怎样？

你的帖子有什么意义？


什么，什么...哎呀！没办法！...

不要再检查了，先生，我们不是在地下室))))。

你说筹码要和目标相关，不相关的可以扔掉，我告诉你这是不对的，拿XOR来检查，不会有相关的，筹码很重要，因为关系不是线性的，就是这样，相关只抓到关系中的线性部分。

 
阿利奥沙。


什么，什么...哎呀！没办法！...

停止检查，先生，我们不是在地下室))))。

你说筹码应该与目标相关，那些不相关的可以舍弃，我告诉你这是不对的，拿XOR来检查，不会有相关的，筹码很重要，因为关系不是线性的，就是这样，相关只抓到关系的线性部分。


给我一个例子，线性相关为0，而非线性依赖性很强。
 
迪米特里。

给我一个例子，线性相关为0，而非线性关系很强。

我说XOR数据集


 
阿利奥沙。
我说XOR数据集


你有一个例子吗？

显示传入的数据行和传出的数据行 - 发布

1...362363364365366367368369370371372373374375376...3399
新评论