交易中的机器学习:理论、模型、实践和算法交易 - 页 41 1...343536373839404142434445464748...3399 新评论 mytarmailS 2016.07.12 05:50 #401 mytarmailS 2016.07.12 05:59 #402 Dr.Trader: 训练一个会产生与你想要的东西相反的神经元,就像你的一样,但是是故意的。但这样做的意义何在?:)我不是故意的,我只是训练它,看到它 ))配方是这样的-- 1)分别训练买入和卖出的两个网络,我采取的网络是 "深度神经",这很重要,因为这样的网络的输出不是010101,而概率是01010。2)我简单地从两个网的输出,建立一个累积和的差异,得到图片上的内容......在第一张图片中,概率显示在底部(两个网络的输出,原样),累积差值(原样)与价格一起显示在顶部。在第二张图片上是一样的,为了更清楚,累积差额的符号被颠倒了(反转)。=======================================如果这个过程预示着未来的几个烛台,至少对一个人来说,它是一个圣杯))我还没有成功 mytarmailS 2016.07.12 08:02 #403 需要一些工具,可以使用一组预测器,提前几步进行预测 mytarmailS 2016.07.13 05:10 #404 等了一天的评论,难道没有人感兴趣? СанСаныч Фоменко 2016.07.13 12:11 #405 mytarmailS: 已经等了一天的评论了,难道没有人感兴趣吗??这个问题本身并不清楚。请注意。有近两百个模型。如果你还没有开始掌握它们,我建议你这样做。这不仅仅是模型,还有很多其他非常有用的东西。如果你愿意,它可以提前几步预测一切。回归模型会积累以前步骤的误差。对于分类模型来说,误差会增长,但不是因为前面的步骤数。请注意,对于时间序列 来说,总是有可能扩大TF并预测一个步骤,这相当于在一个较小的TF上预测几个步骤。 Dr. Trader 2016.07.13 17:09 #406 mytarmailS: 需要某种工具,可以使用一组预测器提前预测几步 我今天早上建议使用nnet。我错了,这个软件包从来没有能够同时预测多种结果。我删掉了这个帖子,以免混淆大家的视听。 Alexey Burnakov 2016.07.15 05:50 #407 全部读完。有趣的是。但没能进入其中。正在度假。我将在一个星期内进入它,并公布我所承诺的内容。阿列克谢 Vladimir Perervenko 2016.07.15 08:03 #408 mytarmailS: 需要某种工具,可以使用一组预测器提前几步进行预测看看Rminer。非常有组织的一揽子计划 mytarmailS 2016.07.17 07:48 #409 弗拉基米尔-佩雷文科。你好!我有两个问题要问你 1)关于前一页中的循环网络,我扔掉了 "rnn "包,它确实有点奇怪,而且构思不周,换成了 "RSNNS",把网络 "Elman "的数据都扔掉了。我不明白在 "rnn "中,在哪里以及如何设置 "网络在过去记得多远",在这里,每个变量都被转化为一个带有数字的矩阵,这一点是很明显的。列与网络的内存大小相对应,但我 在"RSNNS " 中没有找到这样的参数,但它不可能不存在,因为循环网络的本质正是在其中。2)我应该在"Rminer"中寻找什么?如果你指的是像 "arima "这样的东西,那么它将不起作用。我曾试图写一个这样的分类器目标来进行几步预测,但我失败了,结果很奇怪,首先质量下降了(这很正常,因为预测不是在第5或第10根蜡烛上),反相关仍然存在,尽管不那么明显,但关键是我没有得到预期的在我看来,指标反转与市场反转是一样的,即我得到的东西质量更差,但我不明白为什么会发生这样的情况。.. mytarmailS 2016.07.17 08:55 #410 让我们来谈一谈定性特征的选择。我的想法是...不要自暴自弃!我说得很夸张,但这是个好例子......所有常见的属性选择方法(在市场上)都简化为在训练样本中放入100个指标,并使用不同 "程度 "的不同方法来选择,例如20个最能描述价格的指标,但是,尽管有先进而强大的属性选择方法,这种方法是不是太原始了?我认为这很粗糙和原始,选择方法与此无关,让我解释一下原因......让我们绕道而行,想想一个专业的交易员是如何工作的(记住,我还是很夸张的:)),他只有两个功能--水平和 "RSI "指标。而有一个交易系统,卖出交易听起来是这样的--如果水平向上突破,RSI大于0.9,那么卖出...什么是交易系统? 交易系统在这种情况下充当了一个数据过滤器,一个不让交易者进入噪音的过滤器,在这个例子中,RSI的噪音份额不是开玩笑的95%,因为RSI范围从-1到1,交易者只需要>0.9的那些5%...因此,由此得出的结论是,上帝保佑每个性状中有5%的有用信息,其余95%是噪音,是不需要的噪音,是阻止网络学习的噪音,是必须去除的噪音......因此,你需要从每个属性中只提取有用的情况,在这个例子中,RSI是从0,9到1,其余的都是垃圾。现在让我们回到帖子的开头,你有100个属性(指标),你所能做的(无论方法多么酷)就是挑选最好的指标,意识到每个指标都有95%的噪音,你认为这些属性的选择质量接近零,你和我在这个领域的研究证实了什么... 结论:有必要对每个特征进行分析,并从中分离出有用的东西,我有一些想法,但在我说出来之前,我想听听你的想法、意见和建议。 1...343536373839404142434445464748...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
训练一个会产生与你想要的东西相反的神经元,就像你的一样,但是是故意的。但这样做的意义何在?:)
我不是故意的,我只是训练它,看到它 ))
配方是这样的--
1)分别训练买入和卖出的两个网络,我采取的网络是 "深度神经",这很重要,因为这样的网络的输出不是010101,而概率是01010。
2)我简单地从两个网的输出,建立一个累积和的差异,得到图片上的内容......
在第一张图片中,概率显示在底部(两个网络的输出,原样),累积差值(原样)与价格一起显示在顶部。
在第二张图片上是一样的,为了更清楚,累积差额的符号被颠倒了(反转)。
=======================================
如果这个过程预示着未来的几个烛台,至少对一个人来说,它是一个圣杯))我还没有成功
已经等了一天的评论了,难道没有人感兴趣吗??
这个问题本身并不清楚。
请注意。有近两百个模型。如果你还没有开始掌握它们,我建议你这样做。这不仅仅是模型,还有很多其他非常有用的东西。
如果你愿意,它可以提前几步预测一切。
回归模型会积累以前步骤的误差。
对于分类模型来说,误差会增长,但不是因为前面的步骤数。
请注意,对于时间序列 来说,总是有可能扩大TF并预测一个步骤,这相当于在一个较小的TF上预测几个步骤。
需要某种工具,可以使用一组预测器提前预测几步
mytarmailS:
需要某种工具,可以使用一组预测器提前几步进行预测
看看Rminer。非常有组织的一揽子计划
你好!
我有两个问题要问你
1)关于前一页中的循环网络,我扔掉了 "rnn "包,它确实有点奇怪,而且构思不周,换成了 "RSNNS",把网络 "Elman "的数据都扔掉了。我不明白在 "rnn "中,在哪里以及如何设置 "网络在过去记得多远",在这里,每个变量都被转化为一个带有数字的矩阵,这一点是很明显的。列与网络的内存大小相对应,但我 在"RSNNS " 中没有找到这样的参数,但它不可能不存在,因为循环网络的本质正是在其中。
2)我应该在"Rminer"中寻找什么?如果你指的是像 "arima "这样的东西,那么它将不起作用。
我曾试图写一个这样的分类器目标来进行几步预测,但我失败了,结果很奇怪,首先质量下降了(这很正常,因为预测不是在第5或第10根蜡烛上),反相关仍然存在,尽管不那么明显,但关键是我没有得到预期的在我看来,指标反转与市场反转是一样的,即我得到的东西质量更差,但我不明白为什么会发生这样的情况。..
让我们来谈一谈定性特征的选择。我的想法是...
不要自暴自弃!我说得很夸张,但这是个好例子......
所有常见的属性选择方法(在市场上)都简化为在训练样本中放入100个指标,并使用不同 "程度 "的不同方法来选择,例如20个最能描述价格的指标,但是,尽管有先进而强大的属性选择方法,这种方法是不是太原始了?我认为这很粗糙和原始,选择方法与此无关,让我解释一下原因......
让我们绕道而行,想想一个专业的交易员是如何工作的(记住,我还是很夸张的:)),他只有两个功能--水平和 "RSI "指标。而有一个交易系统,卖出交易听起来是这样的--如果水平向上突破,RSI大于0.9,那么卖出...
什么是交易系统? 交易系统在这种情况下充当了一个数据过滤器,一个不让交易者进入噪音的过滤器,在这个例子中,RSI的噪音份额不是开玩笑的95%,因为RSI范围从-1到1,交易者只需要>0.9的那些5%...
因此,由此得出的结论是,上帝保佑每个性状中有5%的有用信息,其余95%是噪音,是不需要的噪音,是阻止网络学习的噪音,是必须去除的噪音......因此,你需要从每个属性中只提取有用的情况,在这个例子中,RSI是从0,9到1,其余的都是垃圾。
现在让我们回到帖子的开头,你有100个属性(指标),你所能做的(无论方法多么酷)就是挑选最好的指标,意识到每个指标都有95%的噪音,你认为这些属性的选择质量接近零,你和我在这个领域的研究证实了什么...
结论:有必要对每个特征进行分析,并从中分离出有用的东西,我有一些想法,但在我说出来之前,我想听听你的想法、意见和建议。