交易中的机器学习:理论、模型、实践和算法交易 - 页 612 1...605606607608609610611612613614615616617618619...3399 新评论 СанСаныч Фоменко 2018.01.25 13:30 #6111 尤里-阿索连科。 他没有尝试,而是学习))。我很高兴你喜欢它。(你应该阅读更多。)事实上,它节省了很多时间--你不需要重新发明车轮。输入的预测器似乎被转换为图像,并对其进行网络训练。在这里。 Алёша 2018.01.25 13:49 #6112 这 真的很有价值。http://www.valuesimplex.com/articles/JPM.pdf好的文件,几个月前在Gotay上看到这个链接,它不是关于ML本身,而是关于他们使用的数据,有大量的网站链接集合,这是非常有价值的信息,真的很有价值。 Алёша 2018.01.25 14:05 #6113 马克西姆-德米特里耶夫斯基。我换成了维纳--我想知道那些书什么时候会结束:)他基本上也是在试图进行预测。 我也在苦恼,我计划的所有书籍我将没有时间阅读,而且是十辈子的时间,但后来从另一个角度看,从一个积极的方面看,同时有一个生理上的动机来 "狂欢 "阅读科学文献。大脑显然没有陷入疯狂的危险,说真的,把答案放在RANGE里,放在Excel里,把重要性评级,排序(定期),读最上面的那篇没有读过的,也不要多管数量,知道你读的是最重要的。 Vladimir Perervenko 2018.01.25 14:19 #6114 elibrarius。在测试部分,像大多数人一样,误差濒临50%。但至少它的计数比Alglib快几十倍。如果这里的模型计算时间为40-100分钟,则Alglib-e超过一天等待相同的结构,不等待而禁用计算。 但是,如果现在我必须在循环中捡起模型,这将再次花费大量时间....。我还必须对整个事情进行编程。 一般来说,这是一个很长的时间,因为你不把自己的时间限制在MO上。有意思--所以我挖)感到惊讶。什么样的模式才算超过了一个小时?最多应该是1-2分钟。 Mihail Marchukajtes 2018.01.25 15:58 #6115 兄弟,你是怎么想的,在1-2分钟的优化中得到一个模型,将与forex????,这样一个复杂的市场有关。在我看来,这在逻辑上是一派胡言。毕竟,建立一个模型涉及计算资源,可以转化为成本。因此,每个模型都有其价值,其形式是用于创建的可扣除资源。现在有一个问题。你想在花费几分钱的模型上赚钱吗?我想你可以赚取一分钱,但不能超过....IMHO СанСаныч Фоменко 2018.01.25 16:10 #6116 上面的链接是我不 知道。http://www.valuesimplex.com/articles/JPM.pdf 而这里是这本书中的一张图片,作者是一位非常受人尊敬的银行。为什么除了我之外,没有人讨论这里所列举的不稳定模式? Vladimir Perervenko 2018.01.25 16:17 #6117 桑桑尼茨-弗门科。上面的链接是有毒。http://www.valuesimplex.com/articles/JPM.pdf 而这里是这本书中的一张图片,作者是一位非常受人尊敬的银行。为什么除了我之外,没有人讨论这里所列举的不稳定模式? 它是什么? Vladimir Perervenko 2018.01.25 16:18 #6118 Mihail Marchukajtes:兄弟们,你们是如何想在1-2分钟的优化中得到一个与外汇市场如此复杂的模型的????。在我看来,这在逻辑上是一派胡言。毕竟,建立一个模型涉及计算资源,可以转化为成本。因此,每个模型都有其价值,其形式是用于创建的可扣除资源。现在有一个问题。你想在花费几分钱的模型上赚钱吗?我想你可以赚取一分钱,但不能超过....IMHO 没有。据我所知,这是一个训练时间的问题,而不是优化的问题。当然,优化的时间是20-30分钟。 Dr. Trader 2018.01.25 16:58 #6119 桑桑尼茨-弗门科。对于交易来说,模型优化(TS)的想法似乎非常值得怀疑,因为任何优化都在寻找高峰/低谷,而我们不需要它们。我们需要的,最好是平坦的高原,尽可能大的高原。这些高原应该有一个显著的特性:模型参数的变化不应该导致高原的逃避。这是关于优化。事实上,在这里我们还应该加上模型参数的稳定性问题,如果它们发生变化,也是在一个相当窄的(5%)置信区间 内。在我看来,模型参数的稳定性导致的情况是,模型的性能处于某个高原,如果我们在测试模型时突然得到一个非常好的结果,这意味着我们已经达到了最小点,我们已经得到了一个不稳定的条件,在实践中永远不会发生,此外,一个停止点将位于这个最佳点周围。PS。顺便说一下,在测试器中,开发人员提供了这样一个机会,可以通过颜色搜索高原。就我个人而言,我把测试器作为一种修饰工具,采取的参数是指一个周围有相同颜色的方块。这是我对 "高原 "概念的明确表达。在来自市场的专家顾问中,我经常看到好的交易参数在优化功能中形成高原。如果有MA或RSI或其他一些系数,改变一个参数的小数值并不影响最终结果。但这是合乎逻辑的,那里的大多数参数都用于计算指标的公式中,所以一个小的变化只是稍微影响到结果,仍然会以相同的价格计算。而在机器学习中恰恰相反--参数会对整个学习过程产生雪崩式的影响,即使是一个小小的改变也会导致完全不同的结果。例如,隐藏层中的神经元数量--随着其数量的增加,使用的权重数量也会增加,使用gpscp进行权重初始化的函数将以稍微不同的顺序设置其值,这将导致不同的结果。 改变一些参数也会在优化函数中画出一个高原,我们可以平稳地或随机地研究每个参数对模型最终估值的影响,对于平稳影响的参数,我们可以额外使用基于导数的优化器(R中的函数optim(method="L-BFGS-B") 和optim() Aleksey Terentev 2018.01.25 18:19 #6120 桑桑尼茨-弗门科。上面的链接是有毒。http://www.valuesimplex.com/articles/JPM.pdf 而这里是这本书中的一张图片,作者是一位非常受人尊敬的银行。为什么除了我之外,没有人讨论这里所列举的不稳定模式? 我们在这里讨论的是训练数据的误差和预测的误差。图片的本质是,当你最小化误差时,你会得到过度训练,而创建和调整模型的全部意义在于将这个误差减少到新数据的最佳值(避免过度训练)。 很好的说明。 1...605606607608609610611612613614615616617618619...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
他没有尝试,而是学习))。我很高兴你喜欢它。(你应该阅读更多。)事实上,它节省了很多时间--你不需要重新发明车轮。
输入的预测器似乎被转换为图像,并对其进行网络训练。
在这里。
http://www.valuesimplex.com/articles/JPM.pdf
好的文件,几个月前在Gotay上看到这个链接,它不是关于ML本身,而是关于他们使用的数据,有大量的网站链接集合,这是非常有价值的信息,真的很有价值。
我换成了维纳--我想知道那些书什么时候会结束:)他基本上也是在试图进行预测。
在测试部分,像大多数人一样,误差濒临50%。但至少它的计数比Alglib快几十倍。如果这里的模型计算时间为40-100分钟,则Alglib-e超过一天等待相同的结构,不等待而禁用计算。
但是,如果现在我必须在循环中捡起模型,这将再次花费大量时间....。我还必须对整个事情进行编程。
一般来说,这是一个很长的时间,因为你不把自己的时间限制在MO上。
有意思--所以我挖)
感到惊讶。什么样的模式才算超过了一个小时?
最多应该是1-2分钟。
兄弟,你是怎么想的,在1-2分钟的优化中得到一个模型,将与forex????,这样一个复杂的市场有关。
在我看来,这在逻辑上是一派胡言。毕竟,建立一个模型涉及计算资源,可以转化为成本。因此,每个模型都有其价值,其形式是用于创建的可扣除资源。现在有一个问题。你想在花费几分钱的模型上赚钱吗?我想你可以赚取一分钱,但不能超过....IMHO
上面的链接是
我不 知道。http://www.valuesimplex.com/articles/JPM.pdf
而这里是这本书中的一张图片,作者是一位非常受人尊敬的银行。
为什么除了我之外,没有人讨论这里所列举的不稳定模式?
上面的链接是
有毒。http://www.valuesimplex.com/articles/JPM.pdf
而这里是这本书中的一张图片,作者是一位非常受人尊敬的银行。
为什么除了我之外,没有人讨论这里所列举的不稳定模式?
兄弟们,你们是如何想在1-2分钟的优化中得到一个与外汇市场如此复杂的模型的????。
在我看来,这在逻辑上是一派胡言。毕竟,建立一个模型涉及计算资源,可以转化为成本。因此,每个模型都有其价值,其形式是用于创建的可扣除资源。现在有一个问题。你想在花费几分钱的模型上赚钱吗?我想你可以赚取一分钱,但不能超过....IMHO
对于交易来说,模型优化(TS)的想法似乎非常值得怀疑,因为任何优化都在寻找高峰/低谷,而我们不需要它们。我们需要的,最好是平坦的高原,尽可能大的高原。这些高原应该有一个显著的特性:模型参数的变化不应该导致高原的逃避。
这是关于优化。
事实上,在这里我们还应该加上模型参数的稳定性问题,如果它们发生变化,也是在一个相当窄的(5%)置信区间 内。在我看来,模型参数的稳定性导致的情况是,模型的性能处于某个高原,如果我们在测试模型时突然得到一个非常好的结果,这意味着我们已经达到了最小点,我们已经得到了一个不稳定的条件,在实践中永远不会发生,此外,一个停止点将位于这个最佳点周围。
PS。
顺便说一下,在测试器中,开发人员提供了这样一个机会,可以通过颜色搜索高原。就我个人而言,我把测试器作为一种修饰工具,采取的参数是指一个周围有相同颜色的方块。这是我对 "高原 "概念的明确表达。
在来自市场的专家顾问中,我经常看到好的交易参数在优化功能中形成高原。如果有MA或RSI或其他一些系数,改变一个参数的小数值并不影响最终结果。
但这是合乎逻辑的,那里的大多数参数都用于计算指标的公式中,所以一个小的变化只是稍微影响到结果,仍然会以相同的价格计算。
而在机器学习中恰恰相反--参数会对整个学习过程产生雪崩式的影响,即使是一个小小的改变也会导致完全不同的结果。例如,隐藏层中的神经元数量--随着其数量的增加,使用的权重数量也会增加,使用gpscp进行权重初始化的函数将以稍微不同的顺序设置其值,这将导致不同的结果。
改变一些参数也会在优化函数中画出一个高原,我们可以平稳地或随机地研究每个参数对模型最终估值的影响,对于平稳影响的参数,我们可以额外使用基于导数的优化器(R中的函数optim(method="L-BFGS-B") 和optim()
上面的链接是
有毒。http://www.valuesimplex.com/articles/JPM.pdf
而这里是这本书中的一张图片,作者是一位非常受人尊敬的银行。
为什么除了我之外,没有人讨论这里所列举的不稳定模式?
很好的说明。