交易中的机器学习：理论、模型、实践和算法交易 - 页 429

新评论
 
马克西姆-德米特里耶夫斯基。

忘了放(c):))
不需要Fiddler (c)。
有一天，我得出了这个结论。相信我的话是合理的。M误差=0.1（不是TC）。
用手机写作很困难）。
请看。S. Heikin和Bishop。
 
弗拉基米尔-佩雷文科。

不，他们没有。以下是一个解释（来自一篇我不能完全看完的文章：(

简介

今天，这两种方法都在实践中被积极使用。两种方法的比较实验[]并没有显示出一种方法比另一种方法有明显的优势，但还是有一点的。带有预训练的神经网络需要的训练和计算资源 要少得多，而得到的结果几乎相同。对于某些领域来说，这是一个非常重要的优势。

祝好运

好了，这已经解决了 :)是的，特别好的是学习的速度（加上模型的质量），我以后会用你的文章中的周长进行实验，当我完成实现我的想法时，这个主题是非常有趣的，有时也是有利可图的，例如在我昨天的小模型中，就是如此:)(由于仍在测试中，该地段很小)

到目前为止，它严重过量进食，在不重新训练的情况下长间隔不工作，但在2-3个月的间隔中，它几乎完美地训练（适合？），训练后一周有相当的机会工作，我只是每周重新训练。说实话，我以前从未得到过这样的曲线（以收盘价计算，而不是刻度），直到我在测试器中熟悉了MO。它在几乎所有的货币对和指数上都能有效地工作（我还没有试过交易所的，因为我的合同历史不多，不想费劲地打胶），所以我可以做低风险的投资组合。

现在的主要任务是通过增加非线性的相互关系来提高测试样本的稳定性，这是一个非难事，但在一定程度上是可以解决的（看起来是这样）。


 
尤里-阿索连科。
不需要小提琴手(c)。
有一天，我得出了这个结论。请相信我的话，一个合理的说法。M误差=0.1（不是TC）。
用手机写作很困难）。
请看。S. Heikin和Bishop。

我以后再读，我会记住它的

 
马克西姆-德米特里耶夫斯基。

很好地解决了这个问题 :)是的，特别好的是学习的速度（加上模型的质量），我以后会用你的文章中的周长进行实验，当完成实施他们的想法时，非常有趣的主题和偶尔的盈利，例如在我昨天的小模型上 :)(由于仍在测试中，该地段很小)

到目前为止，它的进食量过大，在没有重新训练的情况下，长间隔的工作不起作用，但在2-3个月的间隔中，它的训练（适合？）几乎是完美的，而且很有可能在训练后一周就起作用，我只是每周重新训练。说实话，我以前从未得到过这样的曲线（以收盘价计算，而不是刻度），直到我在测试器中熟悉了MO。此外，它在几乎所有货币对和指数上都能正常工作（我还没有试过股票的，因为我在合同上的历史很少，不想为胶水费心），也就是说，我可以做低风险的投资组合。

目前的主要任务是通过增加非线性的相互关系来提高测试样本的稳定性，这是一个非艰巨的任务，但在一定程度上是可以解决的（如我所见）。


优化往往能找到非常好的结果...但这并不那么重要。
你似乎已经用TrendLinearReg在真实上运行了Reshetov的RNN--它仍然有效，还是这个想法失败了？
 
桑桑尼茨-弗门科。

我最近又回到了我以前熟悉的GARCHs。经过几年对机器学习的迷恋，让我感到非常惊讶的是，关于GARCH在金融时间序列（包括货币）中的应用的大量出版物。


深度网络是否有类似的东西？

我不做倒退。我只是在关注这个领域的新情况。我喜欢的最新发展是预言家包。

用于分类的深度网。

祝好运

 
elibrarius。
优化往往能找到非常好的结果...但这并不那么重要。
你似乎在真实的情况下运行了Reshetov的RNN与TrendLinearReg--它仍然有效，还是这个想法没有成功？

改变了预测者，先是想扔......然后我想的东西不是，这样的牛需要自己暂时）。雷舍托夫上的MO框架依然存在，其他都是重新做的，加入了MLP--不喜欢它，它需要很长的时间来计算，现在我将加入兰特.弗雷斯特+一些正在进行中的想法......也就是说，在一般情况下，我希望有一个委员会或什么会一个人教育另一个人，如此原始的东西总是想

但Reg.角度本身就很好，无论是输入还是输出，如果在对数图上也是如此......这就是一个很好的预测器

 
马克西姆-德米特里耶夫斯基。
改变了预测器，起初我想把它们卸下来......后来我想不行，我自己暂时需要这样一头牛）。我保留了雷舍托夫的MO框架，重新设计了其他一切，加入了MLP--不喜欢它，计算时间太长，现在我将加入兰德森林+一些其他想法，这些想法在过程中出现......
雷舍托夫网络上的投入并不多......3-6，如果你给MLP输入同样的数字，它也应该快速计数。
 
elibrarius。
雷舍托夫网格上的投入并不多......。3-6，如果你给MLP喂食同样的量，它也应该计数很快。


但对于MLP来说，有一个输出的问题......而雷谢托夫的是基于震荡器极值的概率设置的，也就是说，只要正确地解读市场，做一些转换，并把它作为一个静止的序列来输入就够了。

再加上这个alglibovy mLp每次都在同一个集合上进行不同的训练，1次运行一个显示，第二次 - 另一个，因此在循环的几个迭代（5-7）中会给出不同的值，如何处理这个问题我不知道。这就是为什么我开始添加更多的输入（最多15个），它开始慢慢学习。我正在使用softmax。我也试过合奏--根本就花了很长时间。最后，从azure机器学习的实验中可以看出，RF总是比几乎所有简单的MO模型给出更少的错误，另一方面，MLP给出了最大的错误，作为一个规则。也许我只是不知道如何烹饪，但看起来它实际上更糟糕，而且更慢，我在这里 找到了桑桑尼奇的确认。

也就是说，如果我们从简单的分类器中选择，那么毫不含糊地选择RF，接下来是DNN和其他最后的Nits，RNN和LSTM。从简单到复杂 :)

 
马克西姆-德米特里耶夫斯基。

但是，如果在对数图上，一个调节角作为输入和输出，本身就是很好的......一个好的预测器

什么是回归角和对数图？

 
elibrarius:

什么是回归角和对数图？

TrendLineregr显示了给定条数的回归线的斜率角度--它作为预测器和目标也是一个很好的指标，可以替代之字形。也就是说，它实际上消除了报价的噪音成分（在我看来）。

而标志图不是作为干净的图表，而是作为价格的对数来采取的

而一般来说，同样的Garch Figarach和Arima是回归分析，还没有发明更有趣的东西，所以如果人们使用它，那么他们也应该用这种或那种方式。

1...422423424425426427428429430431432433434435436...3399
新评论