交易中的机器学习：理论、模型、实践和算法交易 - 页 397

新评论
 
Mihail Marchukajtes:

我有一个简短的版本，这是我刚刚在上面发布的一套结果。

但同样，我几乎花了一天时间来优化它。
 
交易员博士。

重要性评估的结果如下。表中的预测指标越高越好。只有VVolum6、 VDel1、 VVolum9、 VQST10 通过测试。

在rattle中，我们可以在这4个预测因子上一次建立6个模型，SVM在验证和测试数据上显示出约55%的准确率。不错。


有可能得到源文件吗？我想把这个结果与我的方法进行比较。

在这6个预测指标上，55%的结果是非常糟糕的

 
桑桑尼茨-弗门科。


有可能得到源文件吗？我想把这个结果与我的方法进行比较。

在这6个预测指标上，55%的结果是非常糟糕的

附加的文件：
BuySell.txt  368 kb
 
Mihail Marchukajtes:

但话说回来，我花了近24小时来优化它。

呃......不，我需要15分钟的时间 :) 然后我将删除一半的预测器
 
Mihail Marchukajtes:

坦率地说，我甚至不知道它是如何组织的。我认为它是这样的。样本被分为两部分--测试部分和训练部分。一个网格对一个部分进行训练，对另一个部分进行测试。相反，另一个人在第二个人的基础上进行训练，在第一个人的基础上进行测试，然后将结果相加，计算出总的结果，就像这样，IMHO

这种方法适用于任何机器学习。
马克西姆在这个问题上吗？

雷舍托夫的分类器仍然是一个单一的神经元，而不是一个网络？或者是雷舍托夫神经元的网络？

 

但我想对大家说。大集里没有05.29的数据，也就是说，你可以完整地教它，得到模型，然后你可以把模型加载到MKUL里，看看它在这两周的表现如何。这将是衡量该模型性能的一个标准。换句话说，以最小的跌幅获得更大的收益，这样的模式就赢了。我优化了一个缩短的集合，模型是这样工作的

让我们看看你的模型在这个领域的表现如何????

 
马克西姆-德米特里耶夫斯基。

呃......不，我需要15分钟的时间 :) 然后我将删除一半的预测者

然后留下del,vdel,volun,vvolum。
 
elibrarius。

这种方法适用于所有的机器学习。
也许马克西姆正在研究这个问题？


我给了你一个链接到他的网站，那里有一个模型的描述。我甚至不知道如何描述它，它说的是核机器+矢量机。那里比mt5版本更复杂+用对手训练而不是在优化器中选择权重，但它为每个预测器输出相同的权重。
 

现在让我们做个梦，想象一下，我们有一台具有100个核心的机器，用于优化，我们运行具有452行和全套列的完整数据集，在大约的时间内，优化器计算了所有的东西，模型会是什么????。

首先，输入变量将超过10-12个，多项式的大小 将相当大。这说明什么呢。该模型是多参数的，它考虑到许多市场因素（这在原则上是相当有意义的，因为根据一台机器来预测市场是很荒谬的（作为一个例子））。多项式的长度将表明该模型是非常灵活的。最后，当平衡曲线以45度角向上，没有突然的下降和低谷时，这个模型将以适当的质量水平长期工作。这不就是一个梦想吗????

而至于大集，我要说的是，整个6月的期货合约都收在那里。换句话说，你应该用这些数据训练模型，并在训练和测试中取得良好的结果，这个模型将在余下的日子里工作，因为它已经学会了整个期货合约。就产出和投入之间的关系而言，下一个合同将是完全相同的，IMHO。这是一种圣杯的形式，在错误中起作用，但足够长。而如果你在每年的数据上训练网络，有适当的质量水平，你就会知道市场的情况。像这样的....

 
Mihail Marchukajtes:


嗯，是的。 只有旧版本和基本方法。但实践证明，双网格方法大大增加了泛化能力。优化器的结果是以下文件。你可以看到两个网格和每个网格的不同归一化。 然后在最后将结果合并。

所以雷舍托夫做出了一个好产品，说实话你不应该批评他......。

看了一下文件，有8个系数的输入是23，即有一个神经元在3个输入下工作。我猜想，在二十四小时内，你的程序会计算出100个输入中的哪3个应该被输入到这个神经元。我以为神经元被扩大到至少10个输入...

getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);

1...390391392393394395396397398399400401402403404...3399
新评论