交易中的机器学习：理论、模型、实践和算法交易 - 页 936

新评论
 
交易员博士。

我明白了。这棵树不能很好地学习如何过滤，所以过滤后的结果并没有明显的改善，只是交易较少。基本上随机过滤掉了一些好的交易和一些坏的交易。

我在2015年只为Malovhodov训练了树。
Filter_02和mnogovhodov_02是为2016年训练的，最好在测试器中比较2016年和2017年（2017年一般是新的数据，不在档案中，这是最值得一看的）。

啊哈，我还以为2015年是一个学习曲线，然后事情是这样的--没有过滤器的蓝色和有过滤器的绿色

我不得不说，2015年更多的是上升趋势，2016年是下降趋势，2017年的日记几乎是横盘整理。也就是说，三者的实体略有不同，我认为全球趋势发挥了作用。

另外，我的买入条目是由arr_DonProc预测器从5到9产生的--所以树的一部分被自动切断了。

但总的来说，结果还不错，你不觉得吗？

 
交易员博士。

进一步的分支，对我来说，导致了过度的适应。为了获得更好的准确性，我们应该转向更复杂的模型--森林或神经元。

在训练数据上有可能达到100%的准确率，但如果这样的树在新的数据上只会失败，那还有什么意义呢。我们需要教导这样一个模型，它能够在新数据上显示出与训练数据几乎相同的结果。

高达100%是可能的，而且有不同的预测器组，但显然我们这里没有使用所有的潜力。

顺便说一句，我认为我们应该提供更多关于过去的信息--现在我们可以从Regressor和iDelta，以及另外几个预测器中获得，但是没有这样的小事，比如连续的看涨和看跌蜡烛的数量--它们之间的关系--它可能也是有用的。

 
阿列克谢-维亚兹米 金。

这与信仰的问题有什么关系呢？我看到图表上的方块字--我不明白如何解释它们--就是这样。

随机森林的计算是在每一个刻度 上进行的。如果你按条形收集结果，像正常的价格流一样，你会得到以下图表。在有公式的情况下，需要进行解释。 在这种情况下，为了清楚起见，只是森林的结果。
 
罗费尔德。
随机森林的计算是在每一个刻度 上进行的。如果结果是由条形收集的，就像正常的价格流一样，那么你就会得到这样一个图表。有了公式就需要解释，这里只是林林总总的结果，以示明确。

然后我只能回复截图 "有趣的图片！"。因为仍然不清楚他们想展示什么，对每个人来说，如果这一点只有你清楚......。

 

森林误差百分比是在一定时期内计算的。而在图上，你可以看到现实与森林中某一分钟的数据之间的差异（我那里有一个M5）。

当然，来自另一片森林的图表将与我的完全不同。

 
罗费尔德。

森林误差百分比是在一定时期内计算的。而在图表上，你可以看到现实与森林中某一分钟的数据之间的差异（我那里有一个M5）。

当然，来自另一片森林的图表将与我的完全不同。

现在更清楚了，但不清楚在每个刻度 上预测的是什么--下一个刻度？

在现实中，你将如何在每一个刻度上进行计算--只有OpenCL与一流的显卡在这里可能会有帮助。

 

我只是举了一个我的森林的例子。而且我没有要求处理我的模型的结果。

如果你想得到关于你的模型到底出了什么问题的建议，那么就不要用奇怪的表格，而是在真正的价格图表上显示结果。

 
阿列克谢-维亚兹米 金。

而整体的结果并不坏，你认为呢？

2017年的情况是偏多的，这让人有点高兴。


我打算再试一次。我拿着文件mnogovhodov_02，做了一个新的目标。
"1" 类，其中arr_Buy = 1
"-1" where arr_Sell = -1
其他情况为 "0"。

对于你的战略来说，这种目标定位似乎更合适。

 
罗费尔德。

我只是举了一个我的森林的例子。而且我没有要求处理我的模型的结果。

如果你想得到一个建议，你的模型到底出了什么问题，那么就不要用奇怪的表格，而是在真实的价格图表上显示结果。

到目前为止，还没有任何模式，就像这样，在寻找一个模式。这张表显示了结果的变化，还不需要更多--它在移动，所以它是活的。

 
交易员博士。

2017年从正面看，这有点令人满意。


我将再试一次。我取了mnogovhodov_02文件，做了一个新的目标。
"1" 类，其中arr_Buy = 1
"-1" where arr_Sell = -1
其他情况为 "0"。

对于你的战略来说，这种目标定位似乎更合适。

这是否意味着你可以建立3个以上的目标树输出？

1...929930931932933934935936937938939940941942943...3399
新评论