Hui Li is Principal Staff Scientist, Data Science at SAS. This resource is designed primarily for beginner to intermediate data scientists or analysts who are interested in identifying and applying machine learning algorithms to address the problems of their interest. A typical question asked by a beginner, when facing a wide variety of machine...
国防部始终是一个现成的、有意义的模式。有时它是如此有意义，你甚至不知道它是如何运作的。这里有一篇关于梯度提升的文章，例如https://habrahabr.ru/company/ods/blog/327250/ 有一篇文章，有描述和公式，但我想把它转到mql中的愿望我无法实现，太复杂了。
这是一个有点不同的问题，不是在意义上，而是在狭窄的专业上。
Arima, Garch - 直接用价格工作，没有指标和TA。为此，他们有一个内置的算法，将价格序列变成静止向量，甚至还有一些细微的变化，如根据以前的误差（MA成分）对预测进行修正。但同时，它们对其他（非价格）数据毫无用处，例如这些模型不能对图片进行分类。
如果我们将价格的时间序列传递给神经网络进行训练，它将不会搜索价格的自相关、季节性和趋势成分--神经网络无法做到这一点。它将简单地记住它所得到的东西，对于测试或实际交易中的新数据，它将 "记住 "过去的类似价格向量，并像以前那样进行交易，但在外汇中，这意味着一个缺点。
Neuronka在预测价格时需要帮助--首先，找到像Arima一样可以检测自相关、趋势和季节性的指标，并将这些指标的值转移到neuronka。那么它至少会有一小部分机会与阿里巴巴和Garch相媲美。
另一件重要的事情是，阿里马根据时间来进行预测。它清楚地记得价格到达的顺序，并在预测中使用滑动窗口，即采取最后几个价格并根据它们进行预测。相对于神经元学来说，神经元学一次就能处理整个训练表，而且不知道价格是以什么顺序到达的。
+100
我以为我们在这里处理的是一些有用的东西，但不是一些可以理解的真理）。让他做一个基于时间的预测，给我看一些工作的例子，既然有这么多人在做这个工作!在这里，我们走了 :)这是一个简单的模型，就像垃圾一样，他们在大学二年级就教了。 不幸的是，我学的是人文科学......那里没有这样的东西
我们不要把你的知识概括到世界其他地方。
从出版物来看，它是交易的主流。而Garch是由童年时学习过的、一辈子都在做的高深学者使用的。
我们不要把你的知识概括到世界其他地方。
从出版物来看，它是交易的主流。而垃圾是被那些从小就研究垃圾、一辈子都在做垃圾的高大上的学者们所利用。
我在这个领域的知识非常少，入门级的，我只是一直关注间接的迹象，我认识的许多交易员也是如此（远非愚蠢）。
随着模型的复杂化，一个模型的发展自然是不可能的，也就是说，这已经不是一个私人交易的问题了。
当然，随着模型开发的极大复杂化，我们不可能再谈论私人交易了。
这是一个非常好的观点。有时会有一些项目，但在弄清楚之后--这里会有5-6个程序员和一年的工作+资金。而且没有项目））。
一个人需要更简单的东西，甚至是更少的效果。我现在想把古典策略（我是说，在逻辑上）和MO结合在一个瓶子里。经典版本身已经解决了很多问题，如果对其进行补充，并将一个额外的功能分配给一个IO，那么这两个方面最终可能会变得更加简单。事实上，在MO的技术应用中，这就是它的做法。
但如何把这些结合起来并分配任务，我还不是很清楚。
这一点非常好。有时会有一些项目，但经过估算--这里有 5-6 名程序员和一年的工作+资金。而且没有项目。）
私营部门需要更简单的方法，即使效率较低。我现在正在考虑将经典策略（逻辑意义上的）和 MO 合二为一。古典策略本身已经可以解决很多问题，如果再对其进行补充，并为 MO 赋予更多的功能，那么两者最终都能得到简化。事实上，在 MO 的技术应用中就是这样做的。
但如何将其结合起来并分配任务，我还不知道。
我的想法如下：我已经阅读了这个论坛上的所有文章：）））我已经收集了一些我认为必要的东西，各种或多或少固定形式的转换，+我的经验和技能，现在我把它们全部塞进分类器和 NS，看看会发生什么，+通过遗传算法 选择参数。总之，我的第一印象是，要在保持盈利的同时实现长期稳定是非常困难的，即使你不训练 NS，你也总是要重新训练它。短期内赚钱是可能的，但长期如何还不清楚....。
现在的重点是自适应指标的方向，其值可以塞进 Ns 中......这样就不会重新训练 Ns，而指标本身也会根据波动性进行重建......但这项任务并不轻松，同样的 Garch 可能会有所帮助，但我还不知道。
应该使用哪种机器学习算法？
应该使用什么机器学习算法？
是的，对于分类来说，参考向量法、贝叶斯法和随机森林法是最好的......快速、简单，而且无需重新训练。你也可以卷积化。
微软也有自己的随机森林，我忘了它叫什么了...他们说这很酷。解决方案的丛林或类似的东西。
股票预测。
https://gallery.cortanaintelligence.com/browse?s=stock
有马。
https://gallery.cortanaintelligence.com/CustomModule/Train-Score-Timeseries-1
https://gallery.cortanaintelligence.com/Experiment/Time-Series-Forecasting-8
外交。
https://gallery.cortanaintelligence.com/Experiment/Neural-Network-Convolution-and-pooling-deep-net-2
是的，对于分类来说，参考向量法、贝叶斯法和随机森林法是最好的......快速而简单，而且不需要任何再培训。你也可以卷积化。
微软也有自己的随机森林，我忘了它叫什么了...他们说这很酷。解决方案的丛林或类似的东西。
https://gallery.cortanaintelligence.com/browse?s=stock
有马。
https://gallery.cortanaintelligence.com/CustomModule/Train-Score-Timeseries-1
https://gallery.cortanaintelligence.com/Experiment/Time-Series-Forecasting-8
这一切都很酷，很科学，超出了正常人的理解范围，但与市场无关，在那里心理学和木偶戏是主宰。
先生们，不要再自欺欺人了，不要再发明高智商的玩具了，好吧，至少如果你们和科学家一起玩，至少要意识到这只是一个游戏，就像射击或赛车，而不是理解市场，这已经超越了数学和严格的公式。
你为什么需要这一切呢？有人多次告诉我，预测是没有必要的，没有预测你也可以做到50/50，最主要的是资金管理和钢铁般的意志。 没有人知道下一刻价格会去哪里，除了内部人士，他们也不是100%知道，他们也承担风险，但他们有钢铁般的胆量和深厚的钱包，他们知道如何承担风险，他们甚至不知道神经网络和随机森林，或者他们自己创造这种虚假策略来转移 "肉 "的注意力。
这一切都很酷，很科学，超出了正常人的理解范围，但与市场无关，在那里心理学和木偶戏是主宰。
有一类交易者被称为 "点击者"，即DT的主要市场肉。你似乎属于这一类，你的原始类别如资金管理和钢铁般的神经。
一个很好的例子是Timofey Martynov，他仍在努力靠自己的资源抑制自己的心理和手的灵活性:)阿尔戈特交易商对此没有任何问题，风险也很小，因为他们早就经历了心理学和各种娃娃和其他废话的这些废话。