交易中的机器学习:理论、模型、实践和算法交易 - 页 623 1...616617618619620621622623624625626627628629630...3399 新评论 Yuriy Asaulenko 2018.01.28 15:01 #6221 这也是事实。不,java不是一种解释语言,它是可翻译的,像C#一样,翻译发生一次,结果是 "字节码",由虚拟机执行,java和sysharp比C++慢得不明显,慢1-2倍取决于算法,优化只在低级(不安全)层面,由于指针处理和智能内存布局,当与高级标准抽象如向量、列表等工作时。性能可与java/c#媲美。而Python和R输了几十倍,有时是几百倍,如果你写的是本地算法,每次都在运行时进行解释。 我写的 "可解释的排序 "是指将JVM解释为真正的机器代码。 Aleksey Terentev 2018.01.28 18:47 #6222 特征选择Lowess平滑算法的应用。为了过滤数据上的异常值。三角洲,导数,对数导数,用ema和lowess进行去势。 Женя 2018.01.28 22:25 #6223 尤里-阿索连科。我想知道为什么不是Python?也许是同一个R?我不明白。我不 明白。我不会为Michael说话,他自己能够论证他的选择,但我可以建议,可能是因为python和R是解释高级语言的,它们就像matlab或 "数学",而不是语言本身,学习起来非常酷,但在生产中,当你需要与独家算法斗争时,没有机会,这就像在滑板车上赢得一级方程式。当你需要编写生产代码时,你需要java或c++,所以这更多是一个时间问题,因为你必须学习pros或java,而python和R只是 "为了好玩"。 Maxim Dmitrievsky 2018.01.29 00:49 #6224 https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d Google Colab Free GPU Tutorial – Deep Learning Turkey – Medium 2018.01.26fuatmedium.com Now you can develop deep learning applications with Google Colaboratory -on the free Tesla K80 GPU- using Keras, Tensorflow and PyTorch. Maxim Dmitrievsky 2018.01.29 01:21 #6225 桑桑尼茨-弗门科。 寻找VAR、VECM、vars包,并在其中一如既往地寻找参考资料。基金会的入境界线挂上了,但谷歌要帮忙--文献和具体应用....如果你能克服差价,也许可以分享。在没有传播的情况下,它是如此美丽,让人很难把目光从它身上移开。我读过,但我以前也做过,显示过增量,但我是通过射频做的。我已经用射频做了。 那里的残留物确实比价差小,经常如此。用LR,残差应该更大(以点计),因为RF太强大了,可以储存所有的依赖关系。但这本身就是一个有趣的话题,我是凭直觉来的,不知道这种模型已经被发明了 :) Maxim Dmitrievsky 2018.01.29 05:15 #6226 纯粹从视觉上看,还有一些交易的例子(还没有用机器人检查)。余额似乎是正态分布,但一些周期性的东西没有被完全选中 Maxim Dmitrievsky 2018.01.29 05:50 #6227 这就是模型在OOS上的崩溃情况......每50个柱子重新计算,并再次崩溃,几乎是立即:) СанСаныч Фоменко 2018.01.29 07:07 #6228 马克西姆-德米特里耶夫斯基。 你出于某种原因忽视了检验,而没有检验,协整是不可想象的。毕竟,协整的主要思想是在一个稳定的系列上做出交易决策,而这样的系列是可预测的,与非稳定的系列相反。该测试将提供关于历史的可预测性证据。 Maxim Dmitrievsky 2018.01.29 07:13 #6229 桑桑尼茨-弗门科。 你出于某种原因忽视了检验,而如果没有检验,协整是不可想象的。毕竟,协整的主要思想是在一个稳定的系列上做出交易决策,而这样的系列是可预测的,与非稳定的系列相反。该测试将提供关于历史的可预测性证据。好吧,在视频中看到训练样本上的静止序列是如何变成前进样本上的非静止序列的。当你可以看到所有的东西时,为什么还要塞进一堆测试呢? 它的输出单位是标准偏差。在新的数据上,出现了很多3+的偏差,这表明向量模型的效果不如标准模型好。 我稍后会再做一个表示,它看起来已经有点儿意思了:) Maxim Dmitrievsky 2018.01.29 07:53 #6230 桑桑尼茨-弗门科。 你出于某种原因忽视了检验,而如果没有检验,协整是不可想象的。毕竟,协整的主要思想是在一个稳定的系列上做出交易决策,而这样的系列是可预测的,与非稳定的系列相反。该测试将提供关于历史的可预测性证据。我们这样说吧。 在截图中,红色只是当前货币对滞后55的增量,绿色是一个近似值......嗯......让我们称之为矢量非线性 自回归(使用当前货币对和另一个货币对(GBPUSD)的增量,几个不同的)。预测的当前货币对滞后55的增量,自然不会被送入模型输入,而是只送入输出。 历史上 的一切看起来都很好。 在视频中,让我们进一步看看这个模型是如何在前进中工作的。 在之前的视频中,标准偏差不是很清楚:我们取了2条曲线的差值,用它来计算偏差。 1...616617618619620621622623624625626627628629630...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
不,java不是一种解释语言,它是可翻译的,像C#一样,翻译发生一次,结果是 "字节码",由虚拟机执行,java和sysharp比C++慢得不明显,慢1-2倍取决于算法,优化只在低级(不安全)层面,由于指针处理和智能内存布局,当与高级标准抽象如向量、列表等工作时。性能可与java/c#媲美。而Python和R输了几十倍,有时是几百倍,如果你写的是本地算法,每次都在运行时进行解释。
特征选择
Lowess平滑算法的应用。为了过滤数据上的异常值。
![卑微_1_png 卑微_1_png](https://c.mql5.com/3/170/lowess_1__1.png)
三角洲,导数,对数导数,用ema和lowess进行去势。
尤里-阿索连科。
我想知道为什么不是Python?也许是同一个R?我不明白。
我不 明白。
我不会为Michael说话,他自己能够论证他的选择,但我可以建议,可能是因为python和R是解释高级语言的,它们就像matlab或 "数学",而不是语言本身,学习起来非常酷,但在生产中,当你需要与独家算法斗争时,没有机会,这就像在滑板车上赢得一级方程式。
当你需要编写生产代码时,你需要java或c++,所以这更多是一个时间问题,因为你必须学习pros或java,而python和R只是 "为了好玩"。
https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
寻找VAR、VECM、vars包,并在其中一如既往地寻找参考资料。基金会的入境界线
挂上了,但谷歌要帮忙--文献和具体应用....
如果你能克服差价,也许可以分享。在没有传播的情况下,它是如此美丽,让人很难把目光从它身上移开。
我读过,但我以前也做过,显示过增量,但我是通过射频做的。我已经用射频做了。 那里的残留物确实比价差小,经常如此。用LR,残差应该更大(以点计),因为RF太强大了,可以储存所有的依赖关系。但这本身就是一个有趣的话题,我是凭直觉来的,不知道这种模型已经被发明了 :)
纯粹从视觉上看,还有一些交易的例子(还没有用机器人检查)。
余额似乎是正态分布,但一些周期性的东西没有被完全选中
这就是模型在OOS上的崩溃情况......每50个柱子重新计算,并再次崩溃,几乎是立即:)
你出于某种原因忽视了检验,而如果没有检验,协整是不可想象的。毕竟,协整的主要思想是在一个稳定的系列上做出交易决策,而这样的系列是可预测的,与非稳定的系列相反。该测试将提供关于历史的可预测性证据。
好吧,在视频中看到训练样本上的静止序列是如何变成前进样本上的非静止序列的。当你可以看到所有的东西时,为什么还要塞进一堆测试呢?
它的输出单位是标准偏差。在新的数据上,出现了很多3+的偏差,这表明向量模型的效果不如标准模型好。
我稍后会再做一个表示,它看起来已经有点儿意思了:)
你出于某种原因忽视了检验,而如果没有检验,协整是不可想象的。毕竟,协整的主要思想是在一个稳定的系列上做出交易决策,而这样的系列是可预测的,与非稳定的系列相反。该测试将提供关于历史的可预测性证据。
我们这样说吧。
在截图中,红色只是当前货币对滞后55的增量,绿色是一个近似值......嗯......让我们称之为矢量非线性 自回归(使用当前货币对和另一个货币对(GBPUSD)的增量,几个不同的)。预测的当前货币对滞后55的增量,自然不会被送入模型输入,而是只送入输出。
历史上 的一切看起来都很好。
在视频中,让我们进一步看看这个模型是如何在前进中工作的。
在之前的视频中,标准偏差不是很清楚:我们取了2条曲线的差值,用它来计算偏差。