交易中的机器学习：理论、模型、实践和算法交易 - 页 482 1...475476477478479480481482483484485486487488489...3399 新评论 Maxim Dmitrievsky 2017.09.25 10:48 #4811 阿列克谢-特伦特夫。 是的，在正常化方面有一个问题。它将在不同的时间间隔内对数据进行不同的跳跃和规范化处理。是的，我将在某个时候尝试解决这个问题。 Andrey Kisselyov 2017.09.25 10:49 #4812 马克西姆-德米特里耶夫斯基。 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 马克西姆-德米特里耶夫斯基：可能是这样，但当我试图揭示价格行为的对称性时，我没能找到它。 恕我直言。 Maxim Dmitrievsky 2017.09.25 10:51 #4813 安德烈-基塞廖夫。 可能会是这样，但当我试图在价格行为中找到对称性时，我没有看到它。 恕我直言。这里的概率基本上是50/50（高于/低于零）--是否属于该类，而所有其他数值都是信号强度。因此，即使买入和卖出的增量是不对称的，NS也应该自己理解 :) Andrey Kisselyov 2017.09.25 10:54 #4814 马克西姆-德米特里耶夫斯基。 这里的概率基本上是0和1--是否属于该类，其他数值都是信号强度。因此，即使买入和卖出的增量不对称，NS也应该自己理解。）在我看来，在这种情况下，正如我上面所说，有必要设置第三种状态，即某个边界，在这个边界之前，信号不属于买入或卖出。 注意到。 Maxim Dmitrievsky 2017.09.25 10:58 #4815 安德烈-基塞廖夫。在我看来，在这种情况下，正如我上面所说，有必要建立一个三态，即信号既不属于买也不属于卖的一些边界。 注意到。那么我们将以相同的概率指代这两个类别 Andrey Kisselyov 2017.09.25 11:04 #4816 马克西姆-德米特里耶夫斯基。 然后以相同的概率归属于两个类别 NS基本上应该自己找到这个边界，只需要在代码中提供。而且，它不一定要在两个方向上的概率相等。 恕我直言。 Dr. Trader 2017.09.25 11:54 #4817 Maxim Dmitrievsky: 以一个线性分类器为例。假设我们向一个分类器教授一些东西，我们提供2个输出，价格从0到1递增，其中0.5是没有信号（输出之和总是等于1）。这句话有问题。如果你教一个分类器，老师要教的不是从0到1的增量，而是像-1和1（价格下降/价格上升）这样的具体数值。通过为模型创建训练表和教师，增量将被四舍五入为-1和1，关于增量值的所有信息都将丢失。但这个概率与增长值完全没有关系，它可以被解释为 "概率为X%的价格可能会增长，其增长值未知"。Maxim Dmitrievsky: 如果我们采用一个非线性分类的神经网络，那么输出是否会告诉我们信号强度，或者它们只会告诉我们属于两个类别中的一个的程度，而不是更多。 这里同样只有属于两个阶级中的一个的程度，而没有更多。图片上显示的要求将不会被满足。如果你想知道增长的价值，你就必须创建一堆有几个增长水平的班级。可以用回归来代替分类。而且需要一个回归模型。那么在训练过程中就有可能在没有变化和四舍五入的情况下输入价格增量，如果模型能够达到很高的精度，它将预测增量的大小，而不是任何概率和类别。它非常方便。虽然在外汇中，我用回归法取得的成绩并不比简单分类法多。该模型在预测过程中产生的数值非常小，尽管它在50%以上的情况下猜测了方向，但无法从预测中估计出预期的增长量。其结果被视为与两类人一样--"价格可能会上涨一个未知的数额"。 Ivan Negreshniy 2017.09.25 11:59 #4818 马克西姆-德米特里耶夫斯基。帮助我了解这个过程 :)以一个线性分类器为例。假设我们向分类器教授一些东西，我们把价格从0到1的增量输入到2个输出，其中0.5是没有信号的（输出之和总是等于1）。如果我们简单地画一条回归线，例如，根据价格，较大的价格增量将位于离线较远的地方，较小的则较近，即如果分类器的输出是0.9；0.1，正增量位于离线较远的地方，即0.9的信号将比0.6的信号更强，以购买如果我们采用一个非线性分类的神经网络，其输出将显示信号强度，还是只显示属于两个类别中的一个的程度，而不是更多也就是说，这个条件是否会得到满足。 在我看来，在这种情况下，有一半的初学者对这个问题不是很了解，他们会被坑。原因是属于这个或那个类别的程度会直观地告诉人们信号强度的大或小。但事实上是否如此，以及是否最好创建更多的类来分配增量值，例如，以%为单位，那么在这个或那个类（10个中的一个，假设）中获得的值已经精确地提示增量值。如果你想在输出端拥有信号强度这样的特性，为什么你想解决一个分类问题，而这个问题在类的数量增加时仍然是有限的（离散的）。以回归任务为例，在训练输出中给出-1(100%卖出)到1(100%买入)或甚至点--卖出为负，买入为正，零点将是平的，因为它应该是平的。P.S. 已经写在前面的信息中--大约是这个意思...... Maxim Dmitrievsky 2017.09.25 12:07 #4819 Dr. Trader: 这句话是有问题的。如果你训练一个分类器，老师将不是从0到1的增量，而是具体的数值，如-1和1（价格下降/价格上升）。通过为模型创建训练表和教师，增量将被四舍五入为-1和1，关于增量值的所有信息都将丢失。但这个概率与增量值完全没有关系，它可以被解释为 "概率为X%的价格可能会增加一个未知的增量"。 这里同样只有属于两个阶级中的一个的程度，而没有更多。图片上的要求将不被满足。如果你想知道增量的大小，你必须为几个增量程度创建一堆类。你可以不使用分类，而使用回归。而且需要一个回归模型。然后在训练中，你可以输入没有变化和四舍五入的价格增量，如果模型能够达到高精确度，它将预测增量的大小，而不是任何概率和类别。它非常方便。虽然在外汇中，我用回归法取得的成绩并不比简单分类法多。该模型在预测过程中产生的数值非常小，尽管它在50%以上的情况下猜测了方向，但无法从预测中估计出预期的增长量。其结果被视为与两类人一样--"价格可能会增长一个未知量"。我明白了:)所以类别分配的输出概率与增量的可能值无关......你看，有些人在这里也会感到困惑，这对初学者来说是一个模糊的观点......另一方面，如果一个神经网络输出概率（例如softmax层），那么，如果类成员资格将由超过0.5的概率决定，我们还需要它们干什么？然后你真的可以尝试使用回归模型，摆脱所有输出值的归一化......顺便说一下，我使用的是随机森林，输入的归一化在那里是不需要的。 Maxim Dmitrievsky 2017.09.25 12:10 #4820 伊万-内格雷什尼。如果你想在输出端拥有信号强度这样的特性，那么你为什么要解决分类问题，因为随着类的数量增加，分类问题仍然是有限的（离散的）。以回归问题为例，给-1（100%卖出）到1（100%买入）或一般以点为单位--卖出为负，买入为正，而零，应该是平的。P.S. 已经在前面的信息中写过了--大约是同样的意思......是的，事实证明，回归会更聪明（我使用RF，而不是神经网络）。 1...475476477478479480481482483484485486487488489...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
是的，在正常化方面有一个问题。它将在不同的时间间隔内对数据进行不同的跳跃和规范化处理。
是的，我将在某个时候尝试解决这个问题。
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
恕我直言。
可能会是这样，但当我试图在价格行为中找到对称性时，我没有看到它。
恕我直言。
这里的概率基本上是50/50（高于/低于零）--是否属于该类，而所有其他数值都是信号强度。因此，即使买入和卖出的增量是不对称的，NS也应该自己理解 :)
这里的概率基本上是0和1--是否属于该类，其他数值都是信号强度。因此，即使买入和卖出的增量不对称，NS也应该自己理解。）
在我看来，在这种情况下，正如我上面所说，有必要设置第三种状态，即某个边界，在这个边界之前，信号不属于买入或卖出。
注意到。
在我看来，在这种情况下，正如我上面所说，有必要建立一个三态，即信号既不属于买也不属于卖的一些边界。
注意到。
那么我们将以相同的概率指代这两个类别
然后以相同的概率归属于两个类别
恕我直言。
以一个线性分类器为例。假设我们向一个分类器教授一些东西，我们提供2个输出，价格从0到1递增，其中0.5是没有信号（输出之和总是等于1）。
这句话有问题。如果你教一个分类器，老师要教的不是从0到1的增量，而是像-1和1（价格下降/价格上升）这样的具体数值。通过为模型创建训练表和教师，增量将被四舍五入为-1和1，关于增量值的所有信息都将丢失。
但这个概率与增长值完全没有关系，它可以被解释为 "概率为X%的价格可能会增长，其增长值未知"。
如果我们采用一个非线性分类的神经网络，那么输出是否会告诉我们信号强度，或者它们只会告诉我们属于两个类别中的一个的程度，而不是更多。
可以用回归来代替分类。而且需要一个回归模型。那么在训练过程中就有可能在没有变化和四舍五入的情况下输入价格增量，如果模型能够达到很高的精度，它将预测增量的大小，而不是任何概率和类别。它非常方便。
虽然在外汇中，我用回归法取得的成绩并不比简单分类法多。该模型在预测过程中产生的数值非常小，尽管它在50%以上的情况下猜测了方向，但无法从预测中估计出预期的增长量。其结果被视为与两类人一样--"价格可能会上涨一个未知的数额"。
帮助我了解这个过程 :)
以一个线性分类器为例。假设我们向分类器教授一些东西，我们把价格从0到1的增量输入到2个输出，其中0.5是没有信号的（输出之和总是等于1）。
如果我们简单地画一条回归线，例如，根据价格，较大的价格增量将位于离线较远的地方，较小的则较近，即如果分类器的输出是0.9；0.1，正增量位于离线较远的地方，即0.9的信号将比0.6的信号更强，以购买
如果我们采用一个非线性分类的神经网络，其输出将显示信号强度，还是只显示属于两个类别中的一个的程度，而不是更多
也就是说，这个条件是否会得到满足。
在我看来，在这种情况下，有一半的初学者对这个问题不是很了解，他们会被坑。原因是属于这个或那个类别的程度会直观地告诉人们信号强度的大或小。但事实上是否如此，以及是否最好创建更多的类来分配增量值，例如，以%为单位，那么在这个或那个类（10个中的一个，假设）中获得的值已经精确地提示增量值。如果你想在输出端拥有信号强度这样的特性，为什么你想解决一个分类问题，而这个问题在类的数量增加时仍然是有限的（离散的）。以回归任务为例，在训练输出中给出-1(100%卖出)到1(100%买入)或甚至点--卖出为负，买入为正，零点将是平的，因为它应该是平的。
P.S.
已经写在前面的信息中--大约是这个意思......
这句话是有问题的。如果你训练一个分类器，老师将不是从0到1的增量，而是具体的数值，如-1和1（价格下降/价格上升）。通过为模型创建训练表和教师，增量将被四舍五入为-1和1，关于增量值的所有信息都将丢失。
但这个概率与增量值完全没有关系，它可以被解释为 "概率为X%的价格可能会增加一个未知的增量"。
这里同样只有属于两个阶级中的一个的程度，而没有更多。图片上的要求将不被满足。如果你想知道增量的大小，你必须为几个增量程度创建一堆类。你可以不使用分类，而使用回归。而且需要一个回归模型。然后在训练中，你可以输入没有变化和四舍五入的价格增量，如果模型能够达到高精确度，它将预测增量的大小，而不是任何概率和类别。它非常方便。
虽然在外汇中，我用回归法取得的成绩并不比简单分类法多。该模型在预测过程中产生的数值非常小，尽管它在50%以上的情况下猜测了方向，但无法从预测中估计出预期的增长量。其结果被视为与两类人一样--"价格可能会增长一个未知量"。
我明白了:)所以类别分配的输出概率与增量的可能值无关......你看，有些人在这里也会感到困惑，这对初学者来说是一个模糊的观点......另一方面，如果一个神经网络输出概率（例如softmax层），那么，如果类成员资格将由超过0.5的概率决定，我们还需要它们干什么？然后你真的可以尝试使用回归模型，摆脱所有输出值的归一化......顺便说一下，我使用的是随机森林，输入的归一化在那里是不需要的。
如果你想在输出端拥有信号强度这样的特性，那么你为什么要解决分类问题，因为随着类的数量增加，分类问题仍然是有限的（离散的）。以回归问题为例，给-1（100%卖出）到1（100%买入）或一般以点为单位--卖出为负，买入为正，而零，应该是平的。
P.S.
已经在前面的信息中写过了--大约是同样的意思......
是的，事实证明，回归会更聪明（我使用RF，而不是神经网络）。