交易中的机器学习：理论、模型、实践和算法交易 - 页 83 1...767778798081828384858687888990...3399 新评论 СанСаныч Фоменко 2016.08.01 15:47 #821 mytarmailS:从 视觉浏览图表和寻找细分市场的模式到 神经网络训练，都不过是通过统计学进行交易，而这些统计学在市场上是不起作用的，你知道我在说什么吗？市场的走势与群众的交易相悖 ----- 群众的行为是基于统计数字 ------ 你所需要的是预测群众在未来的行动并做相反的事情，预测的唯一方法是统计数字如果我们所说的统计学是指只对静止的随机过程起作用的工具，那么这种统计学是不起作用的，因为金融市场是非静止的过程，在这个过程中，备受喜爱的 "平均"、"相关 "等概念是没有意义的。另一方面，机器学习通常不属于统计学，而是属于人工智能。 mytarmailS 2016.08.01 15:49 #822 至于Mihail Marchukajtes 的想法，我也是在它出现在这个主题的前几天提出来的，也许有人会对结果感兴趣，我认为这个方法也是正确的，甚至是可行的。我注意到一些技术形态已经很久了，它不时地发挥作用，该形态是纯粹的卖出（但我让网络买入只是为了好玩），我规定它，当价格来到形态中的某个点 "X "时，我让网络做买入/卖出/休息，网络不会不断分析所有报价，但只有当某些条件得到满足时，网络才会这么做。.目标有三个等级，即当达到 "X "点时，就为买入和卖出设置心理止损和止盈。买入 - 如果采取了买入外卖的方式，并且没有打掉止损。卖出--如果拿下卖点，并且止损没有被拿出来的话休息--如果在买入和卖出时都采取了止损措施，而且都没有触及止损。摄取量是停止量的2或3倍，我不记得确切的数字了，我想是3倍。尽管该网络在现实中的交易比验证要差得多，（在验证中科尔的正确答案是63%，而在实际交易中约为20%），但该算法还是有利可图的。但更多的是该模式本身很短，因此在这里买入并不具有精确性和盈利性。如果我们把这些模式编成10个，而不是一个，会怎么样？有意思吗？;) mytarmailS 2016.08.01 16:10 #823 桑桑尼茨-弗门科。如果我们所说的统计学是指只对静止的随机过程起作用的工具，那么这种统计学是不起作用的，因为金融市场是非静止的过程，人们所喜爱的 "平均"、"相关 "等概念是没有意义的。另一方面，机器学习通常不属于统计学，而是属于人工智能。如果我对这句话理解正确的话，任何被绝大多数人使用的东西都可以归入统计学。我还会在比赛中增加一点内容。你写到了非平稳性和市场、机器学习，但你知道吗，有一些普遍接受的预测非平稳过程的工具，而且不多，这些是 "MGUA"，隐马尔科夫模型和递归神经网络（可能是错误的网络，可能只是为了BP）。神经网络、各种Forrests等都不是 为非稳态数据设计的，为什么我们所有人，包括我，都在使用不符合其目的的工具？问题) Dr. Trader 2016.08.02 02:26 #824 桑桑尼茨-弗门科。一棵树100%的价格绝对是无稽之谈!如果你的预测器都是噪音，这个结果就很难实现：仍然会有3%-5%的误差。在所有的交叉验证和其他技巧下，噪声总是给出非常好的结果。100%的准确率只意味着：在预测因素中，你有一个目标变量的重复（对它的一些修改）。也就是说，该模型着眼于未来。我记得你在ALL_cod.RData的数据上的例子，数据集TF1或类似的东西，第一目标变量森林即使只有少量的树也能得到几乎100%的结果。而通过增加森林中的树木数量，准确性甚至增长到了绝对的100%。如果森林的参数足够大，它可以记住每一个训练实例。在mytarmailS中，情况恰恰相反，参数数量少的森林可以得到很好的结果，但随着树的数量增加，准确率也会下降。他没有使用交叉验证，所以我们谈论的是训练数据本身。它不是那样工作的。森林在训练数据上的准确性只会随着其参数的减少而下降，反之亦然。这有可能吗？ mytarmailS 2016.08.02 06:32 #825 Dr.Trader:对于mytarmailS来说，情况恰恰相反，一个有少量参数的森林可以得到很好的结果，但随着树木的增多，准确性就会下降。 不，不是这样的，准确率不会降低，交易的数量 会减少。因为事实上，类1和-1不能再学习了，因为所有的观察值都用完了，而类 "0 "可以而且仍然可以学习，如果你开始教它好看，它就会吸收那些设计好的类-1和1的少数观察值，如果你用传统的方式训练我的模型那些有大量的树，那么输出将是一个0，类 "0" - "什么都不做" Yuri Evseenkov 2016.08.02 07:18 #826 沉重的钟声 而在它的最边缘 一只蝴蝶在打瞌睡。(日本的hoku。)在礼堂里观看支教，我搞不清楚自己是否需要它。 一方面，有机器学习、人工智能、神经网络；另一方面，按照我的理解，主要问题是如何识别和结合先例（规律性）和预测者（预言者）。另一方面，市场是一种物质，因素的数量是无限的，那么是否有可能把它们分为主要的和次要的？几张快照。2011г.日本。福岛。海啸造成了一个核电站的事故。引起海啸的原因并不重要--根据混沌理论，是地震还是蝴蝶的翅膀扇动。重要的是，不能预测和知道对市场的影响。看来，这是一个意外，疏散人群，辐射，我们可以离岛。但是没有。事故发生在3月11日，3月16日，日经指数显示出前所未有的增长。 事实证明，日本人并没有像老鼠一样从沉船上逃跑，相反，他们开始将资本返还给国家，帮助重建。一年前。德国。沃尔夫斯堡。工厂 "WV "和城市是根据希特勒的命令为创造德国人民的汽车而建造的。 在这里，程序员扮演了一个蝴蝶的角色，只在试验台测试期间对柴油发动机的有害排放物进行了编程。丑闻。WV的股票下跌了。DAX指数被击碎了。我们的日子。又是日本。任天堂股价飙升。资本化超过了例如美国的武器出口。谁会想到像 "Pocemon Go "这样的东西会变得如此流行？这个主题讨论的是基于每周、每月甚至每年数据的系统。它在寻找某种主要的稳定的外汇信号。 我发现它令人困惑。白天，一些蝴蝶、统计数字、报表可以 "重新训练 "市场，以适应最轻微的心血来潮。要建立一个稳定的系统，至少工作一周，就像用在垃圾箱里找到的零件组装波音公司一样可能。 mytarmailS 2016.08.02 07:24 #827 尤里-叶夫谢恩科夫。沉重的钟声 这个帖子的重点是什么？ СанСаныч Фоменко 2016.08.02 07:33 #828 Dr.Trader:我记得在你的数据上有一个例子，来自ALL_cod.RData，数据集TF1或类似的东西，对于第一个目标变量，即使只有少量的树，森林也几乎给出了100%的结果。而通过增加森林中的树木数量，准确性甚至增长到了绝对的100%。如果森林的参数足够大，它可以记住每一个训练实例。在mytarmailS中，情况恰恰相反，参数数量少的森林可以得到很好的结果，但随着树的数量增加，准确率也会下降。他没有使用交叉验证，所以我们谈论的是训练数据本身。它不是那样工作的。森林在训练数据上的准确性只会随着其参数的减少而下降，反之亦然。这有可能吗？ 模型被重新训练，因为预测器列表中的噪声预测器没有被清理。这是一个训练的例子，而且是故意这么做的。这就是为什么我如此自信地说 Yuri Evseenkov 2016.08.02 07:36 #829 mytarmailS: 这个帖子的重点是什么？ 我不明白。 只是大声思考。不要管我。 СанСаныч Фоменко 2016.08.02 07:43 #830 Yuri Evseenkov: 沉重的钟声 而在它的最边缘 一只蝴蝶在打瞌睡。(日本的hoku。)在礼堂里观看支教，我搞不清楚自己是否需要它。 一方面，有机器学习、人工智能、神经网络；另一方面，按照我的理解，主要问题是如何识别和结合先例（规律性）和预测者（预言者）。另一方面，市场是一种物质，因素的数量是无限的，那么是否有可能把它们分为主要的和次要的？几张快照。2011г.日本。福岛。海啸造成了一个核电站的事故。引起海啸的原因并不重要--根据混沌理论，是地震还是蝴蝶的翅膀扇动。重要的是，不能预测和知道对市场的影响。看来，这是一个意外，疏散人群，辐射，我们可以离岛。但是没有。事故发生在3月11日，3月16日，日经指数显示出前所未有的增长。 事实证明，日本人并没有像老鼠一样从沉船上逃跑，相反，他们开始将资本返还给国家，帮助重建。一年前。德国。沃尔夫斯堡。工厂 "WV "和城市是根据希特勒的命令为创造德国人民的汽车而建造的。 在这里，程序员扮演了一个蝴蝶的角色，只在试验台测试期间对柴油发动机的有害排放物进行了编程。丑闻。WV的股票下跌了。DAX指数被击碎了。我们的日子。又是日本。任天堂股价飙升。资本化超过了例如美国的武器出口。谁会想到像 "Pocemon Go "这样的东西会变得如此流行？这个主题讨论的是基于每周、每月甚至每年数据的系统。它在寻找某种主要的稳定的外汇信号。 我发现它令人困惑。白天，一些蝴蝶、统计数字、报表可以 "重新训练 "市场，以适应最轻微的心血来潮。要建立一个稳定的系统，至少工作一个星期，就像用在垃圾箱里找到的零件组装波音一样可能。你的不理解是这个问题的根本。1.你所写的一切对预测来说都是绝对正确的，如外推法，而外推法又对静止的时间序列 有效。你给出了显示金融序列非平稳性的真实例子，这里你是完全正确的。此外，新闻并不是造成非平稳性的唯一原因。2.这里讨论的是基于分类的预测，在预测下一栏时不考虑前一个状态。基于分类的预测（预报）是基于模式的预测。如果过去有新闻引起了变化，而这些变化不是从以前的价值中得出的（不是推断出来的），那么分类将检测到这样的变化，如果未来有类似的变化（不完全相同，但类似），它将被识别并做出正确的预测。因此，在对小精灵进行分类时并不可怕。 1...767778798081828384858687888990...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
从 视觉浏览图表和寻找细分市场的模式到 神经网络训练，都不过是通过统计学进行交易，而这些统计学在市场上是不起作用的，你知道我在说什么吗？
市场的走势与群众的交易相悖 ----- 群众的行为是基于统计数字 ------ 你所需要的是预测群众在未来的行动并做相反的事情，预测的唯一方法是统计数字
如果我们所说的统计学是指只对静止的随机过程起作用的工具，那么这种统计学是不起作用的，因为金融市场是非静止的过程，在这个过程中，备受喜爱的 "平均"、"相关 "等概念是没有意义的。
另一方面，机器学习通常不属于统计学，而是属于人工智能。
至于Mihail Marchukajtes 的想法，我也是在它出现在这个主题的前几天提出来的，也许有人会对结果感兴趣，我认为这个方法也是正确的，甚至是可行的。我注意到一些技术形态已经很久了，它不时地发挥作用，该形态是纯粹的卖出（但我让网络买入只是为了好玩），我规定它，当价格来到形态中的某个点 "X "时，我让网络做买入/卖出/休息，网络不会不断分析所有报价，但只有当某些条件得到满足时，网络才会这么做。.
目标有三个等级，即当达到 "X "点时，就为买入和卖出设置心理止损和止盈。
买入 - 如果采取了买入外卖的方式，并且没有打掉止损。
卖出--如果拿下卖点，并且止损没有被拿出来的话
休息--如果在买入和卖出时都采取了止损措施，而且都没有触及止损。
摄取量是停止量的2或3倍，我不记得确切的数字了，我想是3倍。
尽管该网络在现实中的交易比验证要差得多，（在验证中科尔的正确答案是63%，而在实际交易中约为20%），但该算法还是有利可图的。
但更多的是
该模式本身很短，因此在这里买入并不具有精确性和盈利性。
如果我们把这些模式编成10个，而不是一个，会怎么样？有意思吗？;)
如果我们所说的统计学是指只对静止的随机过程起作用的工具，那么这种统计学是不起作用的，因为金融市场是非静止的过程，人们所喜爱的 "平均"、"相关 "等概念是没有意义的。
另一方面，机器学习通常不属于统计学，而是属于人工智能。
如果我对这句话理解正确的话，任何被绝大多数人使用的东西都可以归入统计学。
我还会在比赛中增加一点内容。
你写到了非平稳性和市场、机器学习，但你知道吗，有一些普遍接受的预测非平稳过程的工具，而且不多，这些是 "MGUA"，隐马尔科夫模型和递归神经网络（可能是错误的网络，可能只是为了BP）。
神经网络、各种Forrests等都不是 为非稳态数据设计的，为什么我们所有人，包括我，都在使用不符合其目的的工具？问题)
一棵树100%的价格绝对是无稽之谈!
如果你的预测器都是噪音，这个结果就很难实现：仍然会有3%-5%的误差。在所有的交叉验证和其他技巧下，噪声总是给出非常好的结果。
100%的准确率只意味着：在预测因素中，你有一个目标变量的重复（对它的一些修改）。也就是说，该模型着眼于未来。
我记得你在ALL_cod.RData的数据上的例子，数据集TF1或类似的东西，第一目标变量森林即使只有少量的树也能得到几乎100%的结果。而通过增加森林中的树木数量，准确性甚至增长到了绝对的100%。如果森林的参数足够大，它可以记住每一个训练实例。
在mytarmailS中，情况恰恰相反，参数数量少的森林可以得到很好的结果，但随着树的数量增加，准确率也会下降。他没有使用交叉验证，所以我们谈论的是训练数据本身。它不是那样工作的。森林在训练数据上的准确性只会随着其参数的减少而下降，反之亦然。这有可能吗？
对于mytarmailS来说，情况恰恰相反，一个有少量参数的森林可以得到很好的结果，但随着树木的增多，准确性就会下降。
沉重的钟声
而在它的最边缘
一只蝴蝶在打瞌睡。(日本的hoku。)
在礼堂里观看支教，我搞不清楚自己是否需要它。
一方面，有机器学习、人工智能、神经网络；另一方面，按照我的理解，主要问题是如何识别和结合先例（规律性）和预测者（预言者）。另一方面，市场是一种物质，因素的数量是无限的，那么是否有可能把它们分为主要的和次要的？
几张快照。2011г.日本。福岛。海啸造成了一个核电站的事故。引起海啸的原因并不重要--根据混沌理论，是地震还是蝴蝶的翅膀扇动。重要的是，不能预测和知道对市场的影响。看来，这是一个意外，疏散人群，辐射，我们可以离岛。但是没有。事故发生在3月11日，3月16日，日经指数显示出前所未有的增长。 事实证明，日本人并没有像老鼠一样从沉船上逃跑，相反，他们开始将资本返还给国家，帮助重建。
一年前。德国。沃尔夫斯堡。工厂 "WV "和城市是根据希特勒的命令为创造德国人民的汽车而建造的。 在这里，程序员扮演了一个蝴蝶的角色，只在试验台测试期间对柴油发动机的有害排放物进行了编程。丑闻。WV的股票下跌了。DAX指数被击碎了。
我们的日子。又是日本。任天堂股价飙升。资本化超过了例如美国的武器出口。谁会想到像 "Pocemon Go "这样的东西会变得如此流行？
这个主题讨论的是基于每周、每月甚至每年数据的系统。它在寻找某种主要的稳定的外汇信号。 我发现它令人困惑。白天，一些蝴蝶、统计数字、报表可以 "重新训练 "市场，以适应最轻微的心血来潮。要建立一个稳定的系统，至少工作一周，就像用在垃圾箱里找到的零件组装波音公司一样可能。
沉重的钟声
我记得在你的数据上有一个例子，来自ALL_cod.RData，数据集TF1或类似的东西，对于第一个目标变量，即使只有少量的树，森林也几乎给出了100%的结果。而通过增加森林中的树木数量，准确性甚至增长到了绝对的100%。如果森林的参数足够大，它可以记住每一个训练实例。
在mytarmailS中，情况恰恰相反，参数数量少的森林可以得到很好的结果，但随着树的数量增加，准确率也会下降。他没有使用交叉验证，所以我们谈论的是训练数据本身。它不是那样工作的。森林在训练数据上的准确性只会随着其参数的减少而下降，反之亦然。这有可能吗？
这个帖子的重点是什么？ 我不明白。
沉重的钟声
而在它的最边缘
一只蝴蝶在打瞌睡。(日本的hoku。)
在礼堂里观看支教，我搞不清楚自己是否需要它。
一方面，有机器学习、人工智能、神经网络；另一方面，按照我的理解，主要问题是如何识别和结合先例（规律性）和预测者（预言者）。另一方面，市场是一种物质，因素的数量是无限的，那么是否有可能把它们分为主要的和次要的？
几张快照。2011г.日本。福岛。海啸造成了一个核电站的事故。引起海啸的原因并不重要--根据混沌理论，是地震还是蝴蝶的翅膀扇动。重要的是，不能预测和知道对市场的影响。看来，这是一个意外，疏散人群，辐射，我们可以离岛。但是没有。事故发生在3月11日，3月16日，日经指数显示出前所未有的增长。 事实证明，日本人并没有像老鼠一样从沉船上逃跑，相反，他们开始将资本返还给国家，帮助重建。
一年前。德国。沃尔夫斯堡。工厂 "WV "和城市是根据希特勒的命令为创造德国人民的汽车而建造的。 在这里，程序员扮演了一个蝴蝶的角色，只在试验台测试期间对柴油发动机的有害排放物进行了编程。丑闻。WV的股票下跌了。DAX指数被击碎了。
我们的日子。又是日本。任天堂股价飙升。资本化超过了例如美国的武器出口。谁会想到像 "Pocemon Go "这样的东西会变得如此流行？
这个主题讨论的是基于每周、每月甚至每年数据的系统。它在寻找某种主要的稳定的外汇信号。 我发现它令人困惑。白天，一些蝴蝶、统计数字、报表可以 "重新训练 "市场，以适应最轻微的心血来潮。要建立一个稳定的系统，至少工作一个星期，就像用在垃圾箱里找到的零件组装波音一样可能。
你的不理解是这个问题的根本。
1.你所写的一切对预测来说都是绝对正确的，如外推法，而外推法又对静止的时间序列 有效。你给出了显示金融序列非平稳性的真实例子，这里你是完全正确的。此外，新闻并不是造成非平稳性的唯一原因。
2.这里讨论的是基于分类的预测，在预测下一栏时不考虑前一个状态。基于分类的预测（预报）是基于模式的预测。如果过去有新闻引起了变化，而这些变化不是从以前的价值中得出的（不是推断出来的），那么分类将检测到这样的变化，如果未来有类似的变化（不完全相同，但类似），它将被识别并做出正确的预测。
因此，在对小精灵进行分类时并不可怕。