交易中的机器学习：理论、模型、实践和算法交易 - 页 50 1...434445464748495051525354555657...3399 新评论 Dr. Trader 2016.07.24 11:33 #491 mytarmailS:这里甚至有这个不苟言笑的孩子在说话，从第10分钟开始看。https://www.youtube.com/watch?v=KUdWTnyeBxo&list=PLDCR37g8W9nFO5bPnL91WF28V5L9F-lJL&index=3在视频中，重点不是完全应用傅里叶级数，而是使用一些函数来处理数据，将其转移到另一个空间（内核变换）。建议将图片转换为HSL调色板，声音转换为频率直方图。所有这些都会改变数据，但如果需要，可以很容易地通过反函数恢复。这种转换必须在某种程度上具有逻辑意义，使转换后的类在多维空间中更容易相互归类，以简化分类。如果经过任何改造后，班级在空间上将比以前更加分散--这种行动没有任何好处，只会更糟。没有必要完全使用傅里叶，因为不建议这样做。例如，Alexey建议在条形图之间采取deltas，而不是原始值。Yury在libVMR中使用了不同的数学变换，这也很有趣，看看他在java上的源代码。你可以用主成分法对数据进行分解，并将其输入神经元成分，关于这一点，SanSanych和我已经分享了一些文章和例子。你想做的事有数百种解决方案，傅立叶只是其中之一。或者你可以直接使用有几十层的神经元学，它将在原始数据上自行解决，不需要任何内核转换。但在监管、交叉验证等方面会有很多问题。另外，这些方法都无法摆脱输入垃圾的问题。输入垃圾-->转换后的垃圾-->输出垃圾-->前沿测试的梅花。 Yury Reshetov 2016.07.24 11:37 #492 mytarmailS:有一个问题：是否可以通过振幅、相位和频率来衡量函数之间的相似性？就是这样！！！。我对其他事情不感兴趣...其他所有关于傅立叶的内容都是CC答案的结果，与我的问题无关。 如果函数是周期性的，你可以。如果是非周期性的，在比较两个函数的边缘（在开始时--参数的0值，和在周期结束时--参数的2*PI值）时会有错误。 Yury Reshetov 2016.07.24 11:50 #493 Dr.Trader:在视频中，重点不是完全应用傅里叶级数，而是用某种函数处理数据，将其转移到另一个空间（核变换）。或者你可以直接使用有几十层的神经元学，它将在原始数据上自行解决，而不需要任何内核转换。 该视频中的内核变换是通过可视化预测器对手动选择的。也就是说，你需要一个人类专家，用视觉找到合适的配对，并为它们选择适当的内核转换。Dr.Trader:或者我们可以直接使用有几十层的神经元，它将在原始数据上自行解决，不需要任何内核转换。视频中说，不仅不会成功，而且会变得更加混乱。此外，反向误差传播的方法实际上并没有调整离输出层较远的层的权重--信号并没有到达那里，即使到达那里，也太弱了。Dr.Trader:Yuri在libVMR中使用了不同的数学变换，这也很有趣，看看他的java源代码吧不是各种，而是通过A.G. Ivakhnenko的参数组因式分解法（GMDH）进行算法编译。如果你采取随机的，即没有任何结构，你会得到废话。 mytarmailS 2016.07.24 16:17 #494 尤里-雷舍托夫。 如果函数是周期性的，你可以。如果是非周期性的，在比较两个函数的边缘（在开始时--参数的0值，在周期结束时--参数的2*PI值）时会有错误。我明白了，两端还是会有变形，而且越靠近边缘越强，对不起，不适合....。交易员博士。你的神经网络是如何训练的？ mytarmailS 2016.07.24 16:23 #495 我在一个网站上找到了这个，但不知道为什么，它已经失效了也许有人会感兴趣。"....按照你的建议，我建立了几个机器人模型，机器人正在学习，并通过新的数据识别一些东西，但结果，唉，还是与我的预期相去甚远。 .... 首先，我将多项式-谐波近似法应用于低通滤波器，得到第一组次要特征，一个滤波器用于短期趋势，第二个用于长期趋势。把频率、cos和sin振幅以及P系数作为次要特征。......该网络学习了，但没有概括性。 ...下一步是一个新的模型：我们对收盘价 应用一个低通滤波器（我用的是二阶巴特沃斯滤波器），应用多项式谐波逼近，将A*cos(wx)+B*sin(wx)转换为M*sin(wx+f)的形式，并将M和f作为二级属性。 ....有了这个模型，我成功地建立了一个具有非常好的泛化特性的网络：它几乎能正确识别所有的新数据。 多项式-谐波近似法很耗时，所以我决定做另一个模型：一组频率分布相等的带通滤波器，将其应用于收盘价的LF滤波器，然后对其应用希尔伯特变换。我还成功地为人工市场模型制作了一个网络，成功识别了新数据。 之后，我将这个模型应用于真实的报价。 - 我们用一个自适应的LF滤波器来过滤收盘价。 - 构建一套带通滤波器来检测市场波。 - 应用希尔伯特变换。 - 第一组次要属性：带通滤波器值、瞬时振幅和相位值。 - 我们从接近的价格建立一个低通滤波器。 - 第二套次要属性--最后一根蜡烛的收盘价和最低价的相对偏差，支持和阻力水平与LF过滤器的值的相对偏差，酒吧的相对音量（相对于平均值）。 - 创建一个训练样本。 结果如下：网络被训练好了，但在新数据上工作得很差。在某处，它准确地预测了最小值，而在某处，它忘记了该做什么。与我之前所做的相比，结果似乎有了质的不同。是的，还有一件事要澄清，我遵循了经验法则：输入网络特征（本例中为二级特征）的数量<训练样本大小/10，隐藏层的神经元数量不超过网络输入的数量......"。我希望这些信中的摘录能让你对特征检索的可能方法有所了解。 Yury Reshetov 2016.07.24 16:58 #496 mytarmailS:我明白了，两端还是会有变形，越靠近边缘的地方越强，太糟糕了，它不适合....。是否适合的问题是非常微不足道的。首先，将函数分解成傅里叶级数，然后通过反变换从级数中还原。并比较分解前的初始函数和恢复后的函数。如果重建的函数与原始函数有根本性的不同，那么这种方法显然是行不通的。对于非周期性的函数，建议使用小波变换。我自己没有试过。但从图像首先被小波压缩，然后带着一些失真恢复的方式来看，但与傅里叶变换的失真相比，视觉上并不明显，很明显，与傅里叶变换相比，小波更适合于非周期性序列。由于我没有将小波应用于所引用的BP的实际经验，我不能在此分享关于哪种小波最合适的有用信息。而且有一马车和一小车的人。mytarmailS:你的神经网络做得怎么样了？ 要看是什么样的任务和数据？如果你塞给它一个随机数字的样本，它就会咕哝。"垃圾进，垃圾出"。而如果你给它一个重要的预测因素的样本，它将产生可推广的价值。训练时间并不长，至少对于十几个预测器和几千个例子的样本来说是这样。 mytarmailS 2016.07.24 17:12 #497 尤里-雷舍托夫。至于是否会成功的问题是很微不足道的。首先，将函数分解成一个傅里叶数列，然后通过反变换从所得到的数列中重建它。并比较分解前的原始函数和重构后的函数。如果重构的函数与原始函数有根本的不同，显然这种方法是行不通的。 我可能会这样做....首先我会告诉你我在做什么，我需要解决什么问题，然后你再告诉我你对它的建议，因为我觉得我把你们都搞糊涂了...... mytarmailS 2016.07.24 17:42 #498 前史的一点....我首先利用以下原则在历史中寻找模式。1）我们有当前的价格- 让它成为最后的20根蜡烛2）我们去看历史，寻找过去的类似情况（接近程度由皮尔逊相关和欧几里德衡量）。3）当我们发现这种情况时，我们要看它是如何结束的--是增长还是衰退4）当我们发现了很多这样的类似物时，有可能收集一些普遍性的统计数据，例如我们发现了10个类似物其中8个以增长结束，2个--以下降结束，这里预测一下价格会发生什么变化 :)也就是说，我已经做了一些类似于Ivakhnenok的 "复合类比方法--无模型预测 "的工作，但我的方法要原始得多那么，由于一些原因，这种方法被证明是不可行的1）所需矢量中的蜡烛图越多，在历史上可以找到的类似物就越少，在实践中，如果你把所有的OHLC价格和皮尔逊相关的准确性>0.93，3个蜡烛图的矢量将是极限，而一个正常的预测需要一个更大的矢量。2) 在实践中，市场上几乎不存在相同的价格情况....。3）事实证明，我们不能增加矢量，因为我们会失去很多准确性。 但即使我们可以，我们也无法在更大的矢量中找到类似的情况，因为不存在相同的情况已找到解决方案..... Mihail Marchukajtes 2016.07.24 17:52 #499 尤里-雷舍托夫。取决于什么任务和数据？如果你塞给它一个随机数字的样本，它就会喃喃自语。"垃圾进，垃圾出"。而如果你给它一个重要预测因素的样本，它就会产生普适性的数值。训练时间并不长，至少对于十几个预测器和几千个例子的样本来说是这样。 问候!!!!我使用LibVMR，但它似乎是一个旧版本，因为它一直出现 "坏数据 "错误。我知道有一个新的版本。我在哪里可以下载它？如果有可能的话？ Yury Reshetov 2016.07.24 18:02 #500 mytarmailS:前史的一点....我首先利用以下原则在历史中寻找模式。1）我们有当前的价格- 让它成为最后的20根蜡烛2）我们把历史作为一个循环，寻找过去的类似情况（接近程度由皮尔逊相关和欧几里得衡量）。不太清楚？你是把价格作为模式的OHLC还是对它们的某种转化？重点是，如果你把OHLC当作是，一个类似的模式，但比被比较的模式高或低1000点，在欧氏距离上的差异将大于一个完全不类似的模式，但比被比较的模式高或低10点。而这个差异将是两个数量级，所以比较误差也将是两个数量级。 1...434445464748495051525354555657...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
这里甚至有这个不苟言笑的孩子在说话，从第10分钟开始看。
https://www.youtube.com/watch?v=KUdWTnyeBxo&list=PLDCR37g8W9nFO5bPnL91WF28V5L9F-lJL&index=3
在视频中，重点不是完全应用傅里叶级数，而是使用一些函数来处理数据，将其转移到另一个空间（内核变换）。建议将图片转换为HSL调色板，声音转换为频率直方图。所有这些都会改变数据，但如果需要，可以很容易地通过反函数恢复。这种转换必须在某种程度上具有逻辑意义，使转换后的类在多维空间中更容易相互归类，以简化分类。如果经过任何改造后，班级在空间上将比以前更加分散--这种行动没有任何好处，只会更糟。
没有必要完全使用傅里叶，因为不建议这样做。例如，Alexey建议在条形图之间采取deltas，而不是原始值。Yury在libVMR中使用了不同的数学变换，这也很有趣，看看他在java上的源代码。你可以用主成分法对数据进行分解，并将其输入神经元成分，关于这一点，SanSanych和我已经分享了一些文章和例子。你想做的事有数百种解决方案，傅立叶只是其中之一。
或者你可以直接使用有几十层的神经元学，它将在原始数据上自行解决，不需要任何内核转换。但在监管、交叉验证等方面会有很多问题。
另外，这些方法都无法摆脱输入垃圾的问题。输入垃圾-->转换后的垃圾-->输出垃圾-->前沿测试的梅花。
有一个问题：是否可以通过振幅、相位和频率来衡量函数之间的相似性？
就是这样！！！。我对其他事情不感兴趣...
其他所有关于傅立叶的内容都是CC答案的结果，与我的问题无关。
在视频中，重点不是完全应用傅里叶级数，而是用某种函数处理数据，将其转移到另一个空间（核变换）。
或者你可以直接使用有几十层的神经元学，它将在原始数据上自行解决，而不需要任何内核转换。
该视频中的内核变换是通过可视化预测器对手动选择的。也就是说，你需要一个人类专家，用视觉找到合适的配对，并为它们选择适当的内核转换。
或者我们可以直接使用有几十层的神经元，它将在原始数据上自行解决，不需要任何内核转换。
视频中说，不仅不会成功，而且会变得更加混乱。此外，反向误差传播的方法实际上并没有调整离输出层较远的层的权重--信号并没有到达那里，即使到达那里，也太弱了。
Yuri在libVMR中使用了不同的数学变换，这也很有趣，看看他的java源代码吧
不是各种，而是通过A.G. Ivakhnenko的参数组因式分解法（GMDH）进行算法编译。如果你采取随机的，即没有任何结构，你会得到废话。
如果函数是周期性的，你可以。如果是非周期性的，在比较两个函数的边缘（在开始时--参数的0值，在周期结束时--参数的2*PI值）时会有错误。
我明白了，两端还是会有变形，而且越靠近边缘越强，对不起，不适合....。
交易员博士。
你的神经网络是如何训练的？
我在一个网站上找到了这个，但不知道为什么，它已经失效了
也许有人会感兴趣。
"....按照你的建议，我建立了几个机器人模型，机器人正在学习，并通过新的数据识别一些东西，但结果，唉，还是与我的预期相去甚远。
.... 首先，我将多项式-谐波近似法应用于低通滤波器，得到第一组次要特征，一个滤波器用于短期趋势，第二个用于长期趋势。把频率、cos和sin振幅以及P系数作为次要特征。......该网络学习了，但没有概括性。
...下一步是一个新的模型：我们对收盘价 应用一个低通滤波器（我用的是二阶巴特沃斯滤波器），应用多项式谐波逼近，将A*cos(wx)+B*sin(wx)转换为M*sin(wx+f)的形式，并将M和f作为二级属性。
....有了这个模型，我成功地建立了一个具有非常好的泛化特性的网络：它几乎能正确识别所有的新数据。
多项式-谐波近似法很耗时，所以我决定做另一个模型：一组频率分布相等的带通滤波器，将其应用于收盘价的LF滤波器，然后对其应用希尔伯特变换。我还成功地为人工市场模型制作了一个网络，成功识别了新数据。
之后，我将这个模型应用于真实的报价。
- 我们用一个自适应的LF滤波器来过滤收盘价。
- 构建一套带通滤波器来检测市场波。
- 应用希尔伯特变换。
- 第一组次要属性：带通滤波器值、瞬时振幅和相位值。
- 我们从接近的价格建立一个低通滤波器。
- 第二套次要属性--最后一根蜡烛的收盘价和最低价的相对偏差，支持和阻力水平与LF过滤器的值的相对偏差，酒吧的相对音量（相对于平均值）。
- 创建一个训练样本。
结果如下：网络被训练好了，但在新数据上工作得很差。在某处，它准确地预测了最小值，而在某处，它忘记了该做什么。与我之前所做的相比，结果似乎有了质的不同。是的，还有一件事要澄清，我遵循了经验法则：输入网络特征（本例中为二级特征）的数量<训练样本大小/10，隐藏层的神经元数量不超过网络输入的数量......"。我希望这些信中的摘录能让你对特征检索的可能方法有所了解。
我明白了，两端还是会有变形，越靠近边缘的地方越强，太糟糕了，它不适合....。
是否适合的问题是非常微不足道的。首先，将函数分解成傅里叶级数，然后通过反变换从级数中还原。并比较分解前的初始函数和恢复后的函数。如果重建的函数与原始函数有根本性的不同，那么这种方法显然是行不通的。
对于非周期性的函数，建议使用小波变换。我自己没有试过。但从图像首先被小波压缩，然后带着一些失真恢复的方式来看，但与傅里叶变换的失真相比，视觉上并不明显，很明显，与傅里叶变换相比，小波更适合于非周期性序列。由于我没有将小波应用于所引用的BP的实际经验，我不能在此分享关于哪种小波最合适的有用信息。而且有一马车和一小车的人。
你的神经网络做得怎么样了？
至于是否会成功的问题是很微不足道的。首先，将函数分解成一个傅里叶数列，然后通过反变换从所得到的数列中重建它。并比较分解前的原始函数和重构后的函数。如果重构的函数与原始函数有根本的不同，显然这种方法是行不通的。
前史的一点....
我首先利用以下原则在历史中寻找模式。
1）我们有当前的价格- 让它成为最后的20根蜡烛
2）我们去看历史，寻找过去的类似情况（接近程度由皮尔逊相关和欧几里德衡量）。
3）当我们发现这种情况时，我们要看它是如何结束的--是增长还是衰退
4）当我们发现了很多这样的类似物时，有可能收集一些普遍性的统计数据，例如我们发现了10个类似物
其中8个以增长结束，2个--以下降结束，这里预测一下价格会发生什么变化 :)
也就是说，我已经做了一些类似于Ivakhnenok的 "复合类比方法--无模型预测 "的工作，但我的方法要原始得多
那么，由于一些原因，这种方法被证明是不可行的
1）所需矢量中的蜡烛图越多，在历史上可以找到的类似物就越少，在实践中，如果你把所有的OHLC价格和皮尔逊相关的准确性>0.93，3个蜡烛图的矢量将是极限，而一个正常的预测需要一个更大的矢量。
2) 在实践中，市场上几乎不存在相同的价格情况....。
3）事实证明，我们不能增加矢量，因为我们会失去很多准确性。 但即使我们可以，我们也无法在更大的矢量中找到类似的情况，因为不存在相同的情况
已找到解决方案.....
取决于什么任务和数据？如果你塞给它一个随机数字的样本，它就会喃喃自语。"垃圾进，垃圾出"。而如果你给它一个重要预测因素的样本，它就会产生普适性的数值。训练时间并不长，至少对于十几个预测器和几千个例子的样本来说是这样。
前史的一点....
我首先利用以下原则在历史中寻找模式。
1）我们有当前的价格- 让它成为最后的20根蜡烛
2）我们把历史作为一个循环，寻找过去的类似情况（接近程度由皮尔逊相关和欧几里得衡量）。
不太清楚？你是把价格作为模式的OHLC还是对它们的某种转化？
重点是，如果你把OHLC当作是，一个类似的模式，但比被比较的模式高或低1000点，在欧氏距离上的差异将大于一个完全不类似的模式，但比被比较的模式高或低10点。而这个差异将是两个数量级，所以比较误差也将是两个数量级。