交易中的机器学习:理论、模型、实践和算法交易 - 页 388 1...381382383384385386387388389390391392393394395...3399 新评论 СанСаныч Фоменко 2017.06.09 09:33 #3871 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。 sibirqk 2017.06.09 10:03 #3872 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。 Maxim Dmitrievsky 2017.06.09 10:04 #3873 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 ) Ivan Negreshniy 2017.06.09 11:09 #3874 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...? pantural 2017.06.09 13:11 #3875 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? СанСаныч Фоменко 2017.06.09 13:15 #3876 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。 Maxim Dmitrievsky 2017.06.09 13:16 #3877 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:) СанСаныч Фоменко 2017.06.09 13:17 #3878 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。 СанСаныч Фоменко 2017.06.09 13:29 #3879 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%。 Vasily Perepelkin 2017.06.09 16:14 #3880 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 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
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。
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。
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 )
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......。
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 :)
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)。
请告诉我你使用的是哪些预测指标?
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。
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%。