交易中的机器学习：理论、模型、实践和算法交易 - 页 436

新评论
 
elibrarius。
它正在工作，谢谢你有趣的是它是如何工作的...
它是寻找1个最相似的选项，还是对几个选项进行平均？显然，它能找到1个最好的。我想我应该去找10个甚至100个变体，并寻找平均预测值（具体数字应该由优化器决定）。

是的，这里显示了1个最好的，没有理会许多变体，如果你理解我的写作，你可以尝试重做 )
 
交易员博士。

我一直没能学会如何仅用价格进行盈利交易。但模式模型做到了，所以选择很明显 :)

找到一个 "模式 "是一回事，但它带来的统计优势是另一回事。IMHO我非常怀疑，因为某些原因。事实上，通过沿历史序列的整个长度进行卷积（乘积、差值）与平均化来寻找模式，就像在NS中用一个神经元做回归，那是最简单的线性模型，具有极其愚蠢的标志，是价格的一个片断，因为它是。

 
吉安尼。

找到一个 "模式 "是一回事，但找到一个统计上的优势又是另一回事。IMHO，我非常怀疑。事实上，在整个历史序列的长度上通过卷积（乘积、差值）寻找模式，这就像在NS中用一个神经元做回归，这是最简单的线性模型，具有极其愚蠢的特征，是价格的一个片断，因为它是。

如果它是一个单一的神经元，那么输入的数量等于图案的长度，（图案为30条=30个NSb输入，500条=500个NS输入）。

在我看来，NS内部层的许多神经元类似于存储器，10 - 50 - 100个额外的神经元相应地是10 - 50 - 100个输入信号的记忆变体。将这个模式与历史上的375000个变体（一年的M1）相比较，我们有一个绝对准确和完整的记忆，而不是10-50-100个最经常遇到的变体。然后，从这个记忆中，模式发现者识别出N个最相似的结果，并得到平均预测，而神经网络则增加每个相似模式的神经元之间的连接权重。

也不清楚为什么要应用卷积，我假设你建议将所寻找的模式与历史上的每个变体进行卷积，结果是我们得到了第三个时间序列--它如何帮助确定模式和被检查的变体的相似性？
 
elibrarius。

如果是一个神经元，那么与输入的数量等于模板的长度，（模板的30条=30个NS输入的500条=500个NS输入）。

正是如此。
elibrarius:
 另一个不清楚的地方是为什么要应用卷积，我假设你建议将搜索到的模式与历史上的每个变体进行卷积，结果我们得到第三个时间序列--以及它如何帮助定义模式和测试变体的相似性？
你尽量减少模式和极值最相似的系列，就这么简单。例如，你有一个范围{0,0,0,1,2,3,1,1}，你想在其中找到一个图案{1,2,3}。 通过折叠，你可以得到{0,0,0,3,8,14,11,8,6}（用眼睛计算）14个最多我们图案的 "头 "在哪。当然，在卷积之前最好对向量进行归一化处理（mo=0,length=1），否则在数字大的地方会有极值。
 
马克西姆-德米特里耶夫斯基。

是的，它在这里显示了1个最好的，没有理会许多变体，如果你理解我的写作，你可以试着重做它 )

在看照片的时候，有些地方不太对劲...
这里有一个随机的例子

你的蓝色预测线非常陡峭地向下，有一个类似变体的薄弱运动...
这里只是照了这个变体，看起来没有那么陡峭，按想法来说更合理。


 
elibrarius。

当我在看照片的时候，有些地方不太对劲......
这里有一个随机的例子

你的蓝色预测线非常陡峭地下降，有一个类似的变体的微弱运动...
这里只是照了这个变体，结果不是那么陡峭，按想法更合理。


注意到了:)在某些情况下，由于某种原因，它不能正确计算角度，这是从我把它从单时间框架版本改写成多时间框架版本开始的，我仍然没有弄清楚缺陷在哪里。

顺便说一句，有可能是我根本没有算对......我没有想到用Photoshop检查。前面的图表和预测之间的角度应该是一样的

 
吉安尼。
正是如此。
你把模式和极端情况最相似的那一行折叠起来，这很简单。例如，你有一行{0,0,0,1,2,3,1,1}，你想在其中找到一个图案{1,2,3}，卷积会给你{0,0,0,3,8,14,11,8,6}（用眼睛计算）14最多我们图案的 "头部 "在哪里。当然，在卷积之前最好对向量进行归一化处理，否则在数字大的地方会出现极值。

为什么要把事情搞得这么复杂？如果我们可以在{0,0,0,1,2,3,1,1,1}行中具体寻找{1,2,3}，我们为什么要在卷积上寻找极值？除了增加复杂性和计算时间外，我没有看到任何好处。

 
elibrarius。

为什么要把事情搞得那么复杂？如果我们可以在{1,2,3}系列中具体寻找{0,0,0,1,2,3,1,1}，我们为什么要在卷积上寻找极值？除了复杂化和更长的计算时间之外，我看不出有什么好处。

嗯......你说的 "专门搜索 "是什么意思？请给我一个比卷积法更快的算法的例子。

可以使用两种操作：向量差长和标量积，差长，相信我是3-10倍的速度，分量差，平方，和，根提取，卷积就是乘法和加法。

你需要把每一块长度为3的行作为一个向量，并将其与我们的{1,2,3}进行 "相似性 "比较。

 
吉安尼。

嗯......你说的 "专门搜索 "是什么意思？请给我一个比卷积更快的算法的例子。

最简单的方法是在整个序列中逐步移动所寻找的例子的窗口宽度，并找到deltas的abs.值的总和。

0,0,0和1,2,3的误差=（1-0）+（2-0）+（3-0）=6

0,0,1和1,2,3的误差=（1-0）+（2-0）+（3-1）=5

0,1,2和1,2,3的误差=（1-0）+（2-1）+（3-2）=3

1,2,3和1,2,3误差=(1-1)+(2-2)+(3-3)=0

2,3,1和1,2,3误差=(2-1)+(3-2)+Abs(1-3)=4

其中最小的误差是最大的相似度。


 
马克西姆-德米特里耶夫斯基。

注意到:)在某些情况下，由于某些原因，它不能正确计算角度，这是在我从单时间框架版本改写为多时间框架版本后开始的，而且从未发现错误所在。

顺便说一下，有可能我根本就算错了......我没有设法用Photoshop检查。我应该在以前的图表和预测之间得到相同的角度。

我还不确定，在斜率角相差如此之大的情况下，将图形视为相似是正确的。用同样的例子。

发现的变体给出了从上行趋势点或趋势结束时的回撤，通过将其转移到形态图上，它将给出下降趋势的继续而不是逆转的预测--本质上是一个反向信号。这里有些不对劲....也许我们不需要这些仿生变换....？而简单的相关关系（最小的误差）就足够了？

1...429430431432433434435436437438439440441442443...3399
新评论