交易中的机器学习:理论、模型、实践和算法交易 - 页 481 1...474475476477478479480481482483484485486487488...3399 新评论 [删除] 2017.09.25 09:15 #4801 马克西姆-德米特里耶夫斯基。 增量可以被赋予一个属于by/sell类的概率估计不用 "考虑 "就去做。 Maxim Dmitrievsky 2017.09.25 09:19 #4802 Oleg avtomat: 好吧,不用 "思考 "就去吧。好吧,我们用一个实验来检验一下......:) 当然,我将尝试2个和更多的2个班级,但我没有看到对我的情况有根本性的区别。 Aleksey Terentev 2017.09.25 10:17 #4803 马克西姆-德米特里耶夫斯基。马克西姆,我认为你的情况是这样的。目标是。 a)获得运动方向的概率。b) 获得对运动强度的估计。解决方案选项: 1)使用一个输出[0,1]或[-1,1]。或者两个输出[[0,1], [0,1]]。 纳夫!训练数据必须反映出运动的强度,即运动历史必须被归一到有效的范围。优点:网络模式的设置很容易,很简单。 减:由于价格变化的振幅不同,归一化在整个时间序列中会有异质性。2)使用二维分类输出[0,1]+[0,1]或[-1,1]+[-1,1]。要么三/四次输出[[0,1],[0,1]+[0,1]],要么[[0,1],[0,1]+[0,1],[0,1]]。一个维度是运动方向的概率,第二个维度是运动强度的概率。另外:结果的可见性更好。减:在 "木制 "框架上进行神经网络模型拟合的难度。3)方案二,将网络模型一分为二。一个模型学习预测方向,第二个模型学习预测运动的强度。优点:保持可见性;神经网络易于应用。缺点:计算速度可能略有提高;代码更多。 Maxim Dmitrievsky 2017.09.25 10:33 #4804 阿列克谢-特伦特夫。马克西姆,我认为你的情况是这样的。目标是。 (a) 得到运动方向的概率。b) 获得对运动强度的估计。解决方案的选择。 1) 使用一个输出[0,1],或[-1,1]。或两个输出[[0,1], [0,1]]。 Nuance!训练数据应该反映出运动的强度,也就是说,运动历史需要被归一到所需的范围。优点:方便和容易拟合网络模型。 减:由于价格变化的振幅不同,归一化在整个时间序列上将是异质的。所以分配到2个类中的一个的概率值仍将对应于信号强度,如果我最初用信号强度填入输出(例如,只是在0-1的范围内输入归一化的增量,输出将得到分配到特定类的概率越高,预期增量越大?或者它不像那样工作,我们只得到分配到一个类别的概率,但输出中的增量的大小却丢失了:) Maxim Dmitrievsky 2017.09.25 10:36 #4805 Vizard_。如果我们建立一个简单的回归线....i.e.....会比... 而如果我们采取一个具有非线性分类的神经网络... 用一把尺子测量一下,你就知道了。例如,现在流行的Logloss(R - library(MLmetrics))创建更多的班级不是更好吗? 如你所想的那样方便...也就是说,关于增量的大小的信息在训练后不会丢失,分配到2个类中第1个类的概率可以用来确定增量的预测强度,而不仅仅是增量会在哪个类中。那么为什么要建立大量的产出,2个就够了 :) Andrey Kisselyov 2017.09.25 10:42 #4806 马克西姆-德米特里耶夫斯基。 也就是说,关于增量的大小的信息在训练后不会丢失,分配到2个类中第1个类的概率可以用来确定增量的预测强度,而不仅仅是增量会出现在哪个类中。那么为什么要用很多输出,2个就够了 :) 如果你对好的结果感兴趣--例如,买入时每个等级的概率可能与卖出时相同等级的概率不同。 恭敬地说。 Aleksey Terentev 2017.09.25 10:43 #4807 马克西姆-德米特里耶夫斯基。因此,分配到2个类别中的一个的概率值将对应于信号强度,如果最初我用信号强度填充输出(比方说,我只是在0-1的范围内输入归一化的增量,在输出中我们得到分配到这个或那个类别的概率越高,预期增量越大?或者它不像那样工作,我们只得到分配到一个类别的概率,但输出增量的大小会丢失 :)神经网络本身并不知道它需要什么。它从你喂它的东西中学习。如果数据中确实存在输入和输出之间的模式,通过适当的训练,模型会发现它。也就是说,是的,概率值可能是一个运动强度的信号。 我会做以下工作:按[0,1]或正弦/唐氏输出[-1,1]将信号分为两个买/卖等级。 Maxim Dmitrievsky 2017.09.25 10:46 #4808 安德烈-基塞廖夫。 每个等级的买入概率可能与同一等级的卖出概率不同,如果你对好的结果感兴趣,你将不得不做一些工作。 注意到。不,我已经引用了屏幕,增量是静止的,在零的两边对称,所以概率会+-一样的 Aleksey Terentev 2017.09.25 10:46 #4809 是的,这就是正常化的意义所在。它将反弹,并在不同的时间间隔内对数据进行不同的标准化。 那么,如果你一下子把数据归一化,信号会弱得多。 Maxim Dmitrievsky 2017.09.25 10:47 #4810 阿列克谢-特伦特夫。神经网络本身并不知道它需要你提供什么。它从你喂它的东西中学习。如果输入和输出之间的数据确实存在一个模式,模型会在正确的训练下发现它。我的意思是,是的,概率值可以提示运动的强度。 我会把信号按[0,1]或正弦/唐氏输出[-1,1]分为两类。是的,谢谢,这正是我想听到的......因为一个研究神经网络的朋友告诉我,分配到一个班级的概率只是分配到一个班级的概率,关于绝对增量的数据会丢失......我开始和他争论,最后把我们两个人都搞糊涂了:) 1...474475476477478479480481482483484485486487488...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
增量可以被赋予一个属于by/sell类的概率估计
不用 "考虑 "就去做。
好吧,不用 "思考 "就去吧。
好吧,我们用一个实验来检验一下......:) 当然,我将尝试2个和更多的2个班级,但我没有看到对我的情况有根本性的区别。
马克西姆,我认为你的情况是这样的。
目标是。
a)获得运动方向的概率。
b) 获得对运动强度的估计。
解决方案选项:
1)使用一个输出[0,1]或[-1,1]。或者两个输出[[0,1], [0,1]]。
纳夫!训练数据必须反映出运动的强度,即运动历史必须被归一到有效的范围。
优点:网络模式的设置很容易,很简单。
减:由于价格变化的振幅不同,归一化在整个时间序列中会有异质性。
2)使用二维分类输出[0,1]+[0,1]或[-1,1]+[-1,1]。要么三/四次输出[[0,1],[0,1]+[0,1]],要么[[0,1],[0,1]+[0,1],[0,1]]。一个维度是运动方向的概率,第二个维度是运动强度的概率。
另外:结果的可见性更好。
减:在 "木制 "框架上进行神经网络模型拟合的难度。
3)方案二,将网络模型一分为二。一个模型学习预测方向,第二个模型学习预测运动的强度。
优点:保持可见性;神经网络易于应用。
缺点:计算速度可能略有提高;代码更多。
马克西姆,我认为你的情况是这样的。
目标是。
(a) 得到运动方向的概率。
b) 获得对运动强度的估计。
解决方案的选择。
1) 使用一个输出[0,1],或[-1,1]。或两个输出[[0,1], [0,1]]。
Nuance!训练数据应该反映出运动的强度,也就是说,运动历史需要被归一到所需的范围。
优点:方便和容易拟合网络模型。
减:由于价格变化的振幅不同,归一化在整个时间序列上将是异质的。
所以分配到2个类中的一个的概率值仍将对应于信号强度,如果我最初用信号强度填入输出(例如,只是在0-1的范围内输入归一化的增量,输出将得到分配到特定类的概率越高,预期增量越大?
或者它不像那样工作,我们只得到分配到一个类别的概率,但输出中的增量的大小却丢失了:)
如果我们建立一个简单的回归线....i.e.....会比...
而如果我们采取一个具有非线性分类的神经网络...
用一把尺子测量一下,你就知道了。例如,现在流行的Logloss(R - library(MLmetrics))
创建更多的班级不是更好吗?
如你所想的那样方便...
也就是说,关于增量的大小的信息在训练后不会丢失,分配到2个类中第1个类的概率可以用来确定增量的预测强度,而不仅仅是增量会在哪个类中。那么为什么要建立大量的产出,2个就够了 :)
也就是说,关于增量的大小的信息在训练后不会丢失,分配到2个类中第1个类的概率可以用来确定增量的预测强度,而不仅仅是增量会出现在哪个类中。那么为什么要用很多输出,2个就够了 :)
恭敬地说。
因此,分配到2个类别中的一个的概率值将对应于信号强度,如果最初我用信号强度填充输出(比方说,我只是在0-1的范围内输入归一化的增量,在输出中我们得到分配到这个或那个类别的概率越高,预期增量越大?
或者它不像那样工作,我们只得到分配到一个类别的概率,但输出增量的大小会丢失 :)
神经网络本身并不知道它需要什么。它从你喂它的东西中学习。如果数据中确实存在输入和输出之间的模式,通过适当的训练,模型会发现它。也就是说,是的,概率值可能是一个运动强度的信号。
我会做以下工作:按[0,1]或正弦/唐氏输出[-1,1]将信号分为两个买/卖等级。
每个等级的买入概率可能与同一等级的卖出概率不同,如果你对好的结果感兴趣,你将不得不做一些工作。
注意到。
不,我已经引用了屏幕,增量是静止的,在零的两边对称,所以概率会+-一样的
那么,如果你一下子把数据归一化,信号会弱得多。
神经网络本身并不知道它需要你提供什么。它从你喂它的东西中学习。如果输入和输出之间的数据确实存在一个模式,模型会在正确的训练下发现它。我的意思是,是的,概率值可以提示运动的强度。
我会把信号按[0,1]或正弦/唐氏输出[-1,1]分为两类。
是的,谢谢,这正是我想听到的......因为一个研究神经网络的朋友告诉我,分配到一个班级的概率只是分配到一个班级的概率,关于绝对增量的数据会丢失......我开始和他争论,最后把我们两个人都搞糊涂了:)