交易中的机器学习：理论、模型、实践和算法交易 - 页 388

新评论
 
马克西姆-德米特里耶夫斯基。


我已经有了预测器，虽然看起来很奇怪。我有一个现成的机器人，我在不到一个月的时间里建造了它。最重要的是预测者，这是不可能的，是的。 那么，这是谁有经验，在什么...例如，以我发炎的想象力，预测者可以在短时间内被选中，我已经做了5年的分析员工作了:)在我看来，选择预测器并不像研究NS架构那么困难，主要是坐下来选择，需要2-3周时间 :)



在数量上呢？

在训练样本、测试样本和验证样本上。

最重要的是：在一个新的文件上，该文件原本与前三个文件是分开的。

所有这四个值之间不应该有太大的差异。如果它们之间的误差超过10%（例如30%的偏差和35%的偏差），那么就报废吧。


而我在真实账户上得到的东西根本就不重要--信号在一年甚至两年后就会消失。

 
桑桑尼茨-弗门科。

增量不以任何方式表明趋势，这又是怎么回事？

是的，他们这样做。

模型要么预测增量，要么预测方向--这就是分类模型的作用。

我不知道有什么分类模型可以识别新闻上的动向。而对于GARCH来说，这就是模型的意义--计算出发生的运动。胖尾巴--这是在趋势破灭和急剧逆转发生时的新闻运动。


好吧，你可以在不同的时间框架内观察增长情况。

有几个时间段的GARCH模型很有意思。其含义如下。

假设我们预测H1的增量。该模型需要描述分布特征的输入数据。作为这样的输入数据（通常是波动率），我们不采取前一个小时的数据，而是采取当前小时内的分钟数据。

在我看来，将整个历史划分为具有相同行为的区间是很重要的。例如，这是一张欧元兑美元5年的收盘价，你可以看到，直到14年第二季度有一个趋势，然后14年的其余时间和15年初是另一个趋势，之后第三个趋势开始并仍在进行中。试图获得医院的平均温度并利用它来诊断一个病人的情况是错误的，我认为。


例如，如果我们把目前的趋势从15世纪初到现在的某个地方，至少只是隔离/推断趋势，周期性，我们得到相当可信的结果，我认为。下面是图片，绿色的是未来几周的收盘价预测。


 
桑桑尼茨-弗门科。


在数量上呢？

在训练样本、测试样本和验证样本上。

最重要的是：在一个新的文件上，该文件原本与前三个文件是分开的。

所有这四个值之间不应该有太大的差异。如果它们的误差相差超过10%（例如30%的偏差和35%的偏差），就去死吧。


如果它们之间的差异超过10%（例如，30%和25%的偏差，那么就去死吧）。 什么是值得真正的钱--是什么都没有，信号在一年甚至两年后就会死亡。


我不需要那么多无用的样本，有足够的训练和测试，我通过GA选择参数，然后选择最大的类似于前后的结果。你永远不会为整个报价历史训练一个模型，再加上你提供了3个独立的时期，在市场上交易时，第4个时期的交易是无稽之谈，因为市场在这段时间内会发生变化。所以，只要确保模型不被过度拟合，在训练样本之外的部分，就可以了。

我每周都进行再训练，到目前为止，第二周的训练量为+35%。它是什么，它是真正的钱 )

 
桑桑尼茨-弗门科。

而什么是值得真正的钱是没有的，有的信号在一年甚至两年内就死了......。

你真的想创造一个未来几年的市场模式吗...？
 
马克西姆-德米特里耶夫斯基。


我已经有了预测器，奇怪的是。已经有一个现成的机器人，它站在真实的，在不到一个月的时间里写的。最重要的是预测器，这是不可能的，是的。例如，以我发炎的想象力，预测器可以当场拿出来，我已经做了5年的分析员了:)在我看来，选择预测器并不像研究NS架构那么困难，主要是坐下来选择，需要2-3周时间 :)

请问，你用什么预测指标？
 
马克西姆-德米特里耶夫斯基。


在数字Allenorm中，不需要那么多无用的样本，训练和测试这就足够了，通过GA我挑选参数，然后我选择尽可能相似的结果进行前后对比。你永远不会为整个报价历史训练一个模型，再加上你提供了3个独立的时期，在市场上交易时，第4个时期的交易是无稽之谈，因为市场在这段时间内会发生变化。所以，只要确保模型不被过度拟合，在训练样本以外的部分，就可以了。

我每周都进行再训练，到目前为止，第二周的训练量为+35%。我真正的是什么，这是真正的钱）。

你最了解这些样品。
 
pantural。
请告诉我你使用的是哪些预测指标？
我在这里已经介绍了一个回归线的斜率值，甚至还有一个机器人的例子，其他的是一个秘密:)
 
伊万-内格雷什尼。
你真的想创造一个未来几年的市场模式吗...？

不，当然不是。

我正忙着为未来的一些事情获得一些保证。

 
Maxim Dmitrievsky:


在数字Allenorm中，不需要那么多无用的样本，训练和测试这就足够了，通过GA我选择参数，然后我选择尽可能相似的结果来回馈。你永远不会为整个报价历史训练一个模型，再加上你提供了3个独立的时期，在市场上交易时，第4个时期的交易是无稽之谈，因为市场在这段时间内会发生变化。所以，只要确保模型不被过度拟合，在训练样本之外的部分，就可以了。

我每周都进行再训练，到目前为止，第二周的训练量为+35%。什么是对真正的是关于，这是真正的钱 )

我也有两块地。

第一个情节：从中随机抽取三个样本，并进行学习-检查-核对。最后一节，也就是第一节之后，是顺序运行，最好是和测试人员一起。

完全忘记了，虽然我以前写过很多次。

上面描述的步骤是第二步。

第一步是选择 与目标变量 "相关 "的预测因子。我可以证明，那些与目标变量无关的预测器--噪音--占了上风的预测器集，可以获得非常好的结果。训练结果在噪声上非常好。而我在上述三部分都成功地得到了不到10%的错误，降到了3%！然后我在第二部分得到了一个完全随机的错误。

如果你开始剔除噪声预测器，在训练期间误差会增加，但在第二部分会减少。如果你摆脱了噪声预测器，你会得到差不多的误差值。在我的一组预测指标中，它略低于30%。

 
你不需要训练机器，你首先需要有铁的神经和在权力高层的关系，才能进行有利的贸易。
1...381382383384385386387388389390391392393394395...3399
新评论