交易中的机器学习：理论、模型、实践和算法交易 - 页 695 1...688689690691692693694695696697698699700701702...3399 新评论 Forester 2018.02.19 08:22 #6941 elibrarius。我一直在考虑回归.... 金融市场的回归不是一个平滑的函数，而是一个有1点增量的阶梯函数。(对教师和预报来说都是如此）。例如，如果我们将运动限制在+/-100pt，那么就可以类比为200级的分类。也就是说，输出是对最有可能的等级的预测--比如说+22pt。 这不意味着为了获得好的结果，回归的模型结构/复杂度（神经元数量）应该大200倍吗？好吧，如果你把步数增加到5点，那么40次就会更经济一些，代价是准确性降低。 对这个话题没有想法？ Maxim Dmitrievsky 2018.02.19 08:30 #6942 elibrarius。 对这个问题有什么想法吗？你不能在价格上做回归，要在增量上做回归，那么变体的数量就会更少。 不需要更多的神经元，事实上你不需要太多的神经元来进行回归......在线性回归 中，你需要每个性状有一个系数:) Forester 2018.02.19 08:42 #6943 马克西姆-德米特里耶夫斯基。你不能在价格上做回归，要在增量上做回归，那么变体的数量就会更少。 不需要更多的神经元，事实上，你不需要大量的神经元来进行回归......在线性回归 中，你需要每个特征的1个系数 :)我的意思是+/-100点，而不是价格。 嗯，与200个班级的类比是直接的......尽管它们是按顺序进行的，并且仍然可以从阶梯函数平滑到平滑函数 Maxim Dmitrievsky 2018.02.19 08:45 #6944 elibrarius。增量就是+/-100pt的意思。 嗯，与200个班级的类比是直接的......那么，类也有一个以上的输出值，它只是被一个sigmoid除以 Dr. Trader 2018.02.19 08:58 #6945 埃利布留斯。 对这个问题没有想法？分类到200个类别需要在输出端有200个神经元，在内层有相应多的神经元，以使这一切以某种方式运作。 而对于回归，你只需要1个输出神经元，它输出的值将是Pronosis，"+22p，正负误差"。而且隐藏的神经元可能更少。 老师将是不连续的，有一个数字符号一样的符号。但预后是一个有规律的非连续的双数，有16个符号，所以估计函数（例如均方误差）也将是连续的。 Dr. Trader 2018.02.19 09:13 #6946 桑桑尼茨-弗门科。关于八个机器学习模型的研究的有趣文章不幸的是，文章的作者以人工价格而不是石油价格为例。这些结果是在理想条件下获得的，目前还不清楚它们是否会适用于实际交易。 Mykola Demko 2018.02.19 10:20 #6947 Mihail Marchukajtes:今天是圣杯日，但我们知道它是什么样子的，需要付出多少努力才能将它握在手中!!!!。 我并不害怕这个词，但今天我为自己找到了一个圣杯。我反复测试，结果令人惊讶。特别感谢Trader博士 的支持，这实际上导致了这一发现。我不害怕这个词........在R的帮助下，我能够有效地找到一组重要的预测因子，考虑到目标有相同数量的类，那么通过稍加发挥（增加或删除一个），重要的预测因子集可以扩大一列、两列。我试过一次，加入它们实在是太正常了。然后，我们开始缩减并选择具有最大学习效果的模型。 当然，多项式的规模并不大，但它在理论上将起到50%的训练间隔，也就是一个星期，对我来说已经足够了!!!!!!。但事情是这样的....而我现在是针对这里那些正在寻找可靠和稳定模式的人。用一个例子来解释比较容易......... 我保存了一个有1000行和111列的数据表，其中有110个预测因子，因此输出。但是，我并没有把整个表拿出来，而是拿了一小部分新的40条记录（大约是2周的TS工作），结果是我有一个大小为40乘110的训练集，外加一个目标。事实上，我就在这一天的这个时间段里，在市场上做了一个切片。这个片子是固定的。然后， 我选择相对于输出的重要输入变量，并得到3至5个列，我明白，这些列具有所需的阿尔法，使我能够比其他市场参与者有优势。 现在最重要的事情是....这一切的讨论都是为了什么。只要我在训练用的数据表中再增加一行，列的集合就会发生巨大的变化，即阿尔法会移到另一组列上。也许不是立即，而是在添加多于一行之后。即信号TS!!!!阿尔法恰恰是最纯粹的模式，对目标功能来说是最小和足够的。但这种模式并不明显，也就是说，要用肉眼看到它是非常困难的。正是在这一点上，人工智能参与其中并发挥其作用。 现在想象一下阿尔法如何在所有的数据字段上反弹，如果它很少包含在五个以上的输入中，而总字段有110个输入。换句话说，每一个新的切片，我都会得到一套完全不同的预测器。而你想怎么跟上它，甚至在一个YEAR的距离!!!!!!!，如果它在这里几个星期，你很难正确地抓住它.......。但你说得很对，有一个圣杯，但每个人都有自己的，为了保持它，你需要做很多努力.......。 并再次提到模拟账户 的理论家，这是如何做到的.......。 我曾用这个理论工作过，并利用它做了一些测试。测试显示出良好的结果。模型是在机器人被加载的情况下训练的UPU。本周观察我的信号，你会立即看到我的假设有什么价值。我看不出有什么问题，你对条形图进行分组（为了可靠地进行比较），建立任何元素的重复统计，你可以从最常见的开始。然后建立与另一个元素配对的重复统计（最好是统计中的第二个，尽管你仍然需要检查所有的），选择最大的统计，把第二个点放在图表上，如此反复。只要图中出现拐点，这就是这个词的最佳长度。这样就可以检查所有的字母。 得到一组词，其中已经将把句子放在一起，这里的已经可以应用到TC的词，但首先应该分配词的编码为彼此的接近，虽然与此应对和TC，也有avtoencoders在年底。总之，在这个阶段，有想象的自由。 Maxim Dmitrievsky 2018.02.19 12:21 #6948 有谁能检查一下增量指标吗？ 不知道为什么，在低TF上的渲染有漏洞，不仅如此，如果你倒退......指标窗口就会变成空白。还是我该重新安装终端了？ 附加的文件： loglog.mq5 5 kb Forester 2018.02.19 12:59 #6949 这是更正确的 double pr2 = (pr!=0?log(pr):0)。 СанСаныч Фоменко 2018.02.19 13:01 #6950 交易员博士。不幸的是，文章的作者以人工价格而不是石油价格为例。这些结果是针对理想条件的，不清楚它们是否适用于真实的交易。故意做的，以涵盖理论上的各种价格，并明确地命名这个品种。 1...688689690691692693694695696697698699700701702...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
我一直在考虑回归....
金融市场的回归不是一个平滑的函数，而是一个有1点增量的阶梯函数。(对教师和预报来说都是如此）。例如，如果我们将运动限制在+/-100pt，那么就可以类比为200级的分类。也就是说，输出是对最有可能的等级的预测--比如说+22pt。
这不意味着为了获得好的结果，回归的模型结构/复杂度（神经元数量）应该大200倍吗？好吧，如果你把步数增加到5点，那么40次就会更经济一些，代价是准确性降低。
对这个问题有什么想法吗？
你不能在价格上做回归，要在增量上做回归，那么变体的数量就会更少。
不需要更多的神经元，事实上你不需要太多的神经元来进行回归......在线性回归 中，你需要每个性状有一个系数:)
你不能在价格上做回归，要在增量上做回归，那么变体的数量就会更少。
不需要更多的神经元，事实上，你不需要大量的神经元来进行回归......在线性回归 中，你需要每个特征的1个系数 :)
我的意思是+/-100点，而不是价格。
嗯，与200个班级的类比是直接的......尽管它们是按顺序进行的，并且仍然可以从阶梯函数平滑到平滑函数
增量就是+/-100pt的意思。
嗯，与200个班级的类比是直接的......
那么，类也有一个以上的输出值，它只是被一个sigmoid除以
对这个问题没有想法？
分类到200个类别需要在输出端有200个神经元，在内层有相应多的神经元，以使这一切以某种方式运作。
而对于回归，你只需要1个输出神经元，它输出的值将是Pronosis，"+22p，正负误差"。而且隐藏的神经元可能更少。
老师将是不连续的，有一个数字符号一样的符号。但预后是一个有规律的非连续的双数，有16个符号，所以估计函数（例如均方误差）也将是连续的。
关于八个机器学习模型的研究的有趣文章
不幸的是，文章的作者以人工价格而不是石油价格为例。这些结果是在理想条件下获得的，目前还不清楚它们是否会适用于实际交易。
今天是圣杯日，但我们知道它是什么样子的，需要付出多少努力才能将它握在手中!!!!。
我并不害怕这个词，但今天我为自己找到了一个圣杯。我反复测试，结果令人惊讶。特别感谢Trader博士 的支持，这实际上导致了这一发现。我不害怕这个词........在R的帮助下，我能够有效地找到一组重要的预测因子，考虑到目标有相同数量的类，那么通过稍加发挥（增加或删除一个），重要的预测因子集可以扩大一列、两列。我试过一次，加入它们实在是太正常了。然后，我们开始缩减并选择具有最大学习效果的模型。
当然，多项式的规模并不大，但它在理论上将起到50%的训练间隔，也就是一个星期，对我来说已经足够了!!!!!!。但事情是这样的....而我现在是针对这里那些正在寻找可靠和稳定模式的人。用一个例子来解释比较容易.........
我保存了一个有1000行和111列的数据表，其中有110个预测因子，因此输出。但是，我并没有把整个表拿出来，而是拿了一小部分新的40条记录（大约是2周的TS工作），结果是我有一个大小为40乘110的训练集，外加一个目标。事实上，我就在这一天的这个时间段里，在市场上做了一个切片。这个片子是固定的。然后， 我选择相对于输出的重要输入变量，并得到3至5个列，我明白，这些列具有所需的阿尔法，使我能够比其他市场参与者有优势。 现在最重要的事情是....这一切的讨论都是为了什么。只要我在训练用的数据表中再增加一行，列的集合就会发生巨大的变化，即阿尔法会移到另一组列上。也许不是立即，而是在添加多于一行之后。即信号TS!!!!阿尔法恰恰是最纯粹的模式，对目标功能来说是最小和足够的。但这种模式并不明显，也就是说，要用肉眼看到它是非常困难的。正是在这一点上，人工智能参与其中并发挥其作用。
现在想象一下阿尔法如何在所有的数据字段上反弹，如果它很少包含在五个以上的输入中，而总字段有110个输入。换句话说，每一个新的切片，我都会得到一套完全不同的预测器。而你想怎么跟上它，甚至在一个YEAR的距离!!!!!!!，如果它在这里几个星期，你很难正确地抓住它.......。但你说得很对，有一个圣杯，但每个人都有自己的，为了保持它，你需要做很多努力.......。
并再次提到模拟账户 的理论家，这是如何做到的.......。
我曾用这个理论工作过，并利用它做了一些测试。测试显示出良好的结果。模型是在机器人被加载的情况下训练的UPU。本周观察我的信号，你会立即看到我的假设有什么价值。
我看不出有什么问题，你对条形图进行分组（为了可靠地进行比较），建立任何元素的重复统计，你可以从最常见的开始。然后建立与另一个元素配对的重复统计（最好是统计中的第二个，尽管你仍然需要检查所有的），选择最大的统计，把第二个点放在图表上，如此反复。只要图中出现拐点，这就是这个词的最佳长度。这样就可以检查所有的字母。
得到一组词，其中已经将把句子放在一起，这里的已经可以应用到TC的词，但首先应该分配词的编码为彼此的接近，虽然与此应对和TC，也有avtoencoders在年底。总之，在这个阶段，有想象的自由。
有谁能检查一下增量指标吗？ 不知道为什么，在低TF上的渲染有漏洞，不仅如此，如果你倒退......指标窗口就会变成空白。还是我该重新安装终端了？
这是更正确的
double pr2 = (pr!=0?log(pr):0)。
不幸的是，文章的作者以人工价格而不是石油价格为例。这些结果是针对理想条件的，不清楚它们是否适用于真实的交易。
故意做的，以涵盖理论上的各种价格，并明确地命名这个品种。