交易中的机器学习：理论、模型、实践和算法交易 - 页 926 1...919920921922923924925926927928929930931932933...3399 新评论 Maxim Dmitrievsky 2018.05.18 17:52 #9251 forexman77:我还不能确定，因为我玩了很多参数，改善的幅度大约是0.1。也许有一些我不知道的技巧，这就是我问的原因。 如果没有任何帮助，那么问题就出在数据上，没有其他东西可以调整。 Dr. Trader 2018.05.18 18:11 #9252 阿列克谢-维亚兹米 金。当然你可以，但你必须分批进行（服务器故障），过滤器集--定义你不能买/卖的地方，MaloVhodov集--有体面利润的趋势条目，MnogoVhodov集--所有条目，除了无利润的条目。我试着用马洛夫霍多夫做起家。 试图教森林根据arr_Vektor_Week, arr_Vektor_Day等预测2015年的arr_Buy。 类别非常不平衡（0类的例子比1类多10倍），这增加了很多难度。 这是在2015年的树上训练的 y_predy_true01097268861181552912256 而这是2016年，新到的树木数据。 y_pred y_true0109658190918162968956 这两种情况下的预测准确率都很低，但至少在这两种情况下的准确率都超过了50%。这棵树是这样的。 那里总是向左是真，向右是假。对于椭圆，预测需要四舍五入（>=0.5->1；<0.5->0），我将尝试mnogovhodov，我想它会更好，那里的0和1类更平等。 Aleksey Vyazmikin 2018.05.18 19:24 #9253 交易员博士。首先尝试了Malovhodov。 试图教森林根据arr_Vektor_Week, arr_Vektor_Day等预测2015年的arr_Buy。 类别非常不平衡（0类的例子比1类多10倍），这增加了很多难度。 这是在2015年的树上训练的 y_predy_true01097268861181552912256 这两种情况下的预测准确率都很低，但至少在这两种情况下的准确率都超过了50%。这棵树是这样的。 那里总是向左是真，向右是假。在椭圆预测中，你仍然需要四舍五入（>=0.5->1；<0.5->0）我将尝试mnogovhodov，我认为这将是更好的，有0和1类更平等。哇，多么小的一棵树啊!我很惊讶!从树上我读到了在趋势反转时进入的愿望，即实际上是在最底部买入。根据你的系统，其他的预测因素并不具有信息量？ 椭圆形的数字是什么？ forexman77 2018.05.18 19:33 #9254 我的真假标记之林贯穿始终。 [[ 2011 2948] [ 215 11821]]//тест [[14997 0] [ 0 35985]]//тренировка 我所寻找的班级在测试中超过了另一个班级的一半，但在训练中却很好地分割开来) Aleksey Vyazmikin 2018.05.18 19:43 #9255 操盘手博士--请写一份树上的预测者名单，因为截图中削减了他们的名字。 Dr. Trader 2018.05.18 20:00 #9256 阿列克谢-维亚兹米 金。哇，多么小的一棵树啊!我很惊讶!我从树上读到了在趋势反转时进入的愿望，即在最底部买入。根据你的系统，其他的预测因素并不具有信息量？ 椭圆形的数字是什么？其中一些在选择树的参数和预测因子的过程中被拒绝。对于一般的信息性，我不能说什么具体的东西，但对于这个案例来说，这些东西是最适合的。 椭圆是由树预测的。我的树是在 "ANOVA "模式下训练的，也就是说，给出的概率不是具体的预测0或1，而是概率。任何大于0.5的都很可能是1级。小于0.5的，很可能是0级。因此，越接近0或1，预测就越有信心。 你可以用以下方式来描述树的程序化。 double prediction; if(arr_Donproc<3.5) { if(arr_iDeltaH1>=-6.5) { if(arr_TimeH>=14) { prediction = 0.29; } else { prediction = 0.44; } } else { prediction = 0.58; } } else { if(arr_RSI_Open_ < 0.5) { //... } else { //... } } int predictionClass = 0; if(prediction >= 0.5) predictionClass=1; if(predictionClass == 0) { //... } else if(predictionClass == 1) { //... } Dr. Trader 2018.05.18 20:13 #9257 阿列克谢-维亚兹米 金。操盘手博士--请在树上写下预测者的名单，因为屏幕上切了他们的名字。对，我没有注意到。在拨浪鼓中，不知为何很容易看到清单和规则。我现在没有拨浪鼓，我会寻找另一种方法来做。 Aleksey Vyazmikin 2018.05.18 20:14 #9258 交易员博士。在选择树的参数和预测因子的过程中，一些预测因子被淘汰了；一些预测因子被树本身拒绝。对于一般的信息性，我不能说什么具体的东西，但对于这个案例，这些最适合。 椭圆是由树预测的。我的树是以 "ANOVA "模式训练的，也就是说，给出的概率不是具体的预测0或1，而是概率。任何超过0.5的都很可能是1级。小于0.5的，很可能是0级。因此，越接近0或1，预测就越有信心。 你可以用以下方式来描述树的程序化。 昨天我以不同的方式重做了arr_iDelta信息，增加了两种额外的预测器，使H4,MN1,W1的计算更加完整--我认为这是重要的预测器，所以我删除了旧的类似物，增加了新的，比如说 顺便说一下，大部分预测器是用脚本计算的，新的预测器是用EA计算的，结果是一致的，也就是说没有偷看。 谢谢你用代码的形式来解释!如果有兴趣，关于Si期货胶合的数据。 我将再次附上文件，我建议用它们进行实验。 附加的文件： Filter_02.zip 3805 kb Aleksey Vyazmikin 2018.05.18 20:15 #9259 MaloVhodov_02 附加的文件： MaloVhodov_02.zip 3774 kb Aleksey Vyazmikin 2018.05.18 20:17 #9260 MnogoVhodov_02 附加的文件： MnogoVhodov_02.zip 3804 kb 1...919920921922923924925926927928929930931932933...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
我还不能确定，因为我玩了很多参数，改善的幅度大约是0.1。也许有一些我不知道的技巧，这就是我问的原因。
当然你可以，但你必须分批进行（服务器故障），过滤器集--定义你不能买/卖的地方，MaloVhodov集--有体面利润的趋势条目，MnogoVhodov集--所有条目，除了无利润的条目。
我试着用马洛夫霍多夫做起家。
试图教森林根据arr_Vektor_Week, arr_Vektor_Day等预测2015年的arr_Buy。
类别非常不平衡（0类的例子比1类多10倍），这增加了很多难度。
这是在2015年的树上训练的
这两种情况下的预测准确率都很低，但至少在这两种情况下的准确率都超过了50%。
这棵树是这样的。
那里总是向左是真，向右是假。对于椭圆，预测需要四舍五入（>=0.5->1；<0.5->0），我将尝试mnogovhodov，我想它会更好，那里的0和1类更平等。
首先尝试了Malovhodov。
试图教森林根据arr_Vektor_Week, arr_Vektor_Day等预测2015年的arr_Buy。
类别非常不平衡（0类的例子比1类多10倍），这增加了很多难度。
这是在2015年的树上训练的
这两种情况下的预测准确率都很低，但至少在这两种情况下的准确率都超过了50%。
这棵树是这样的。
那里总是向左是真，向右是假。在椭圆预测中，你仍然需要四舍五入（>=0.5->1；<0.5->0）我将尝试mnogovhodov，我认为这将是更好的，有0和1类更平等。
哇，多么小的一棵树啊!我很惊讶!从树上我读到了在趋势反转时进入的愿望，即实际上是在最底部买入。根据你的系统，其他的预测因素并不具有信息量？
椭圆形的数字是什么？我的真假标记之林贯穿始终。
我所寻找的班级在测试中超过了另一个班级的一半，但在训练中却很好地分割开来)
哇，多么小的一棵树啊!我很惊讶!我从树上读到了在趋势反转时进入的愿望，即在最底部买入。根据你的系统，其他的预测因素并不具有信息量？
椭圆形的数字是什么？其中一些在选择树的参数和预测因子的过程中被拒绝。对于一般的信息性，我不能说什么具体的东西，但对于这个案例来说，这些东西是最适合的。
椭圆是由树预测的。我的树是在 "ANOVA "模式下训练的，也就是说，给出的概率不是具体的预测0或1，而是概率。任何大于0.5的都很可能是1级。小于0.5的，很可能是0级。因此，越接近0或1，预测就越有信心。
你可以用以下方式来描述树的程序化。
操盘手博士--请在树上写下预测者的名单，因为屏幕上切了他们的名字。
对，我没有注意到。在拨浪鼓中，不知为何很容易看到清单和规则。我现在没有拨浪鼓，我会寻找另一种方法来做。
在选择树的参数和预测因子的过程中，一些预测因子被淘汰了；一些预测因子被树本身拒绝。对于一般的信息性，我不能说什么具体的东西，但对于这个案例，这些最适合。
椭圆是由树预测的。我的树是以 "ANOVA "模式训练的，也就是说，给出的概率不是具体的预测0或1，而是概率。任何超过0.5的都很可能是1级。小于0.5的，很可能是0级。因此，越接近0或1，预测就越有信心。
你可以用以下方式来描述树的程序化。
昨天我以不同的方式重做了arr_iDelta信息，增加了两种额外的预测器，使H4,MN1,W1的计算更加完整--我认为这是重要的预测器，所以我删除了旧的类似物，增加了新的，比如说
顺便说一下，大部分预测器是用脚本计算的，新的预测器是用EA计算的，结果是一致的，也就是说没有偷看。
谢谢你用代码的形式来解释!如果有兴趣，关于Si期货胶合的数据。
我将再次附上文件，我建议用它们进行实验。