交易中的机器学习：理论、模型、实践和算法交易 - 页 433

新评论
 

我记得以前这种卷积 "模式 "对我来说只是一个圣杯，hrenFx甚至在10年前就提出了这样一个指标，我也做了我自己的版本，但是......它并没有真正的工作，至少对于简单的变体与不同TF的卷积投票来说不是。

 
-Aleks-。

我理解它不能自己做--有信号进入历史，有一些指标需要分类，但NS工作的结果不是确认信号，而是产生信号本身。 我道歉，也许这很愚蠢，但以我微薄的知识，我不明白为什么它不可能--在读了你的文章后。

关于ZZ，我不明白--一个普通的ZZ显示了当前的极端情况......。

再说一遍，RZ是为了产生信号，而不是确认信号--也就是说，总是有一个信号--在市场上涨时卖出，但NS必须根据过去的变化模式来确认它。

我正确的理解是，NS的优点是可以通过一些模式来确认或拒绝信号，这些模式是在历史上收集的，不得相互矛盾，并在交易信号出现时检查？



这是一个很长的解释，一般来说ZZ不适合。这一点我可以肯定地告诉你。还有一件事。

我们必须决定我们想做什么。预测或分类。这些方法完全不同，但它们有相同的目标....。

再看一下这篇文章。基本策略只需要确定时间点，当我们分析市场的时候。就是说，事件发生了，我们就开始分析。该事件可以是任何事情。

假设马车越过，事件发生，我们开始分析。

在某些方面，你是对的。国家计算机本身产生信号，但考虑到它在基本战略的信号形成时工作。这意味着NS确认或否定了基础策略的信号。因此，它是这样的：....

 
elibrarius。
我首先将375000条历史记录（对M1来说是一年）载入一个数组，即RAM（大约30-60秒），然后根据模式的深度，需要30到700ms来浏览。

我再一次说应该如何对待这项任务。我认为有鱼....

 
Mihail Marchukajtes:

但我们将为一个模式训练网络。那些增加市场的模式我们将标记为1，那些减少的我们将标记为0。 我们现在要做的就是训练NS。

根据我的经验，最好不要这样做。如果你知道下一个条形图的价格增量，最好把它们作为神经元的目标。毕竟增量也是一些在训练中可能有用的信息，相比之下，只有0和1两个类。即使那时回归预测的结果仍然是两类（买入/卖出），那么将回归结果四舍五入也比在训练阶段扔掉一些信息要好。

例如，我的一个或多或少有效的外汇回归模型崩溃了，如果我用分类模型取代模型（在R中，分类和回归之间的转换实际上非常简单，如果所有目标都被四舍五入为0和1，或者目标 有类型 因素，分类通常会自动激活）。

 
elibrarius。

我做了一个指标，搜索历史上的类似模式，这里是M1欧元兑美元的当前读数。本年度最相似的10个。我稍稍修改了文章中的例子https://www.mql5.com/ru/articles/197 -- 我没有采用一个最相似的变体，而是采用了N个最相似的变体，并对答案进行平均化。为了寻找模式，我不仅使用一个收盘价，还使用这段时间内价格所处的通道，即低点和高点。我以价差的价值来提高Low。

可以看出，历史上的这种模式既给出了向下的运动，也给出了向上的运动（灰色和深红色线条）。平均价格变动（白线和红线）几乎为零（比价差略宽），我们不应该用这样的预测进行交易，价差、掉期和佣金将导致损失。有时有一些模式，一边是很好的预测，但在下一个条形图上，预测可能会被颠覆。如果在这种情况下，一个人逆转了头寸，那么点差和佣金将再次使第一次交易无利可图。
指标预测可以与回归NC相比，但从回归中很容易做出一个分类器。除了低位和高位，还可以添加任何指标。

如果我没有理解错的话，神经网络本质上做的是与这个平均指标相同的事情，即它们在历史上（例如一年）寻找类似的预测读数（在我的例子中只是价格），并做出平均预测。

如果有一个更简单的方法--只是翻阅历史，那么使用NS有意义吗？他们的优势是什么？

PS

那么，价格以相同的模式向两个方向发展的事实可以被认为是一个随机的过程，或者是一个傀儡的把戏，它试图直接在图表和NS用户上打破这两个模式发现者的策略，做出更糟糕的预测，或者说是把预测降低到大约为零，如图所示。

是否正在寻找相关的模式？ 如果是的话，是空的

目前一周的交易我的NS（测试），大约再有一个月的测试，它将有可能转移到正常的资金。总计：在一个月内写出了一个简单稳健的NS。


 
马克西姆-德米特里耶夫斯基。

是否按相关性搜索了模式？ 如果是，则为空

通过相关性，即通过搜索到的图案的每个条形上的价格之差。我们把它称为条形图上的误差，然后把所有条形图的误差相加，并根据所得误差进行排序，找出N个最佳--最相似的变体。
我没有看到比较2个价格图表的其他选项。还有什么其他选择......？
 
瓦西里-佩雷佩尔金。

这是我教给学生的主要内容，一个人是有原则的，不能弯曲，如果他决定--那就去死。我有一个学生（马克西姆），他没有力量，他缺乏性格，他太娘娘腔了，他在颤抖，但你会成功的--你是个男人！我想这是一个很好的机会。



 
elibrarius。
通过相关性，即通过所寻求的模式的每个条形上的价格之差。让我们称它为条形图上的误差，然后总结所有条形图的误差，按产生的误差排序，找到N个最佳的，--最相似的变体。
我没有看到比较2个价格图表的其他选项。还有什么其他选择......？

至少，我们需要对图表进行仿生变换，因为图案的斜率角度不同（自仿生结构），其次，在不同的时间段进行搜索。但所有这些在使用相关性时都无济于事--它发现了非常不同的模式。Convergent NS（计算机视觉）会更适合它。

我想做实验，但还没到那一步。

 
Mihail Marchukajtes:

关于预测的问题，这是一个相当有趣的话题。所以我们有一个教父，在历史的背面发现。与现在的情况完全一样。然而，市场对这种模式的反应并不明确。有上升就有下降。

从图中可以看出，同样的模式已经被发现了好几次，所以我们有几种可能的结果。这就是需要激活分类法的地方。但我们将为一个模式训练网络。那些导致市场增长的模式，我们将标记为1，那些导致市场下降的模式，我们将标记为0。当这种模式出现时，我们将在那一刻提供输入值，NS会说这是一个市场增长或下降的模式。

将不可能从历史中划分出所获得的N个图案，因为它们与所需的图案有最大的相似性，并且它们之间的差异最小。
如果你想使差异最小化--你不应该寻找10个，而应该寻找2-3个最相似的模板，但对3个图案的预测将有预测误差=33%，对10个图案的预测误差为10%，对100个图案的预测误差约为1%（我认为在误差计算中应该包括每个发现的图案与原始图案的误差程度）。

找到最佳的模板数量来进行预测的问题可以留给优化者。

 
elibrarius。

没有办法将N种模式从历史中分离出来，因为它们与所需的模式尽可能地相似，而且它们之间的差异很小。
如果你想尽量减少差异，你应该寻找2-3个最相似的模板，但3个图案的预测将有预测误差=33%，10个图案的预测误差为10%，100个图案的预测误差约为1%（我认为在误差计算中应包括从原始图案中找到的每个图案的误差）。

寻找最佳模板数量的问题，通过它来建立预测，可以留给优化器来解决。

如果以目前的形式应用，这是一个徒劳无益的方法，应着眼于尺度不变性（缩放）和仿生变换。模式相似的事实说明不了什么，我们需要考虑几个模式的相互位置，这是一种交叉验证，另外还要观察它们在模式中的位置，按大小排列。我都做了，但我不太喜欢它--因为涉及到相关性，你需要摆脱它并通过搜索卷积NS。
1...426427428429430431432433434435436437438439440...3399
新评论