贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 页 50 1...43444546474849505152535455 新评论 Yuri Evseenkov 2016.03.22 06:45 #491 Dr.Trader:这些模式取决于时间。对一周中的 每一天 进行单独的分类器训练，或尝试在原始数据中加入月相（我是认真的），或一天中的时间，我不知道具体该怎么做，但这非常重要。阿列克谢-伯纳科夫。2）是的，我已经这样做了。我有一个大的数据集--我可以在这里分享--我在其中加入了价格数据。- 小时- 分- 星期天- 月- 月的一天。当然这很重要。但我们应该确定的不是TS成功的日子或时间，而是TS成功时市场的性质--趋势、平坦、季节性模式。市场的性质决定了数据的性质，而不是一周中的哪一天或经纪人的花招。市场的性质可以在历史上确定，但要在真实账户上确定，正如德米特里-费多谢耶夫写道："分析和交易的主要问题是识别趋势。例如，TS被认为是成功的平面。是否有任何指标可以预测平局？ Дмитрий 2016.03.22 07:05 #492 Yuri Evseenkov:当然这很重要。只是需要确定的不是TS成功的日子或时间，而是TS成功时市场的性质--趋势、平坦、季节性模式。市场的性质决定了数据的性质，而不是一周中的哪一天或经纪人的花招。市场的性质可以在历史上确定，但要在真实账户上确定，正如德米特里-费多谢耶夫写道："分析和交易的主要问题是识别趋势。例如，TS被认为是成功的平面。是否有任何指标可以预测平局？问题是，你可以提前确定一天和一天中的时间，但趋势和平坦不能。如果你知道如何提前识别趋势和平坦，那么你就不需要其他东西--圣杯就在你面前。 Dr. Trader 2016.03.22 07:37 #493 Yuri Evseenkov:是否有任何指标可以预测平局？你也可以为此做一个分类器，通过树和R，就像Alexey的博客中那样。我们需要收集几年的酒吧历史，然后手动或使用一些指标来指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如相应的0和1）。而我们将获得指标。但一般来说，如果一个人从零开始 做一个 预测未来价格上涨的分类器--分类器本身应该学会区分平价和趋势。它的逻辑不会包含如此清晰的概念，但在概念上，它必须学会区分不同的市场特征，并根据它们改变预测。一个适当的分类器不能只在某些特定的时间间隔内工作，它的任务是一直在盈利中工作。 Дмитрий 2016.03.22 07:44 #494 Dr.Trader:我们也可以为此做一个分类器，通过树和R，就像Alexey的博客一样。我们需要收集数年的酒吧历史，然后手动或使用一些指标指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如相应的0和1）。而我们将获得该指标。它不是一个指标，而是一个分类器--它不预测而是分类。粗略地说，在研究了一部分历史后，它可以判断这一部分是趋势还是平淡。但问题是，我也可以用眼睛来做--我不需要一个指标。 СанСаныч Фоменко 2016.03.22 09:15 #495 Дмитрий:不是一个指标，而是一个分类器--它不是预测，而是分类。因此，大致上说，在研究了一部分历史后，可以说这一部分是一个趋势还是一个平局。但问题是，我可以用眼睛来做--我不需要指标。这种做法告诉我们其他的事情。这取决于你教什么。如果你简单地对过去进行分类，是的。但如果你转移了老师，即预测因子的过去值与老师的当前值相对应，那么你就可以预测未来。例如，你转移了1巴。因此，当一个新的条形图 到来时，你计算你所有的预测因素，然后使用PAST训练的模型来预测你的翻转趋势。你可以用超过1的班次来教它。预测模型的伟大之处在于，随着预测范围的增加，误差会增加（最多），而分类的情况则不是这样。因此，当对H1进行预测时：+1的误差=30%（实际数字），+2的误差略大，而+4的误差几乎为30%。不仅如此，如果你开始与伯纳科夫房屋交朋友，你可以找到对未来的转变，其预测误差与+1条差不多。 Yuri Evseenkov 2016.03.22 09:22 #496 Dr.Trader:我们也可以为此做一个分类器，通过树和R，就像Alexey的博客一样。我们需要收集数年的酒吧历史，然后手动或使用一些指标指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如，相应的0和1）。而我们将获得指标。但一般来说，如果一个人从零开始 做一个 预测未来价格上涨的分类器--分类器本身应该学会区分平价和趋势。它的逻辑不会包含如此清晰的概念，但在概念上，它必须学会区分不同的市场特征，并根据它们改变预测。一个适当的分类器不应该只在某些特定的时间段内工作，它的任务是在每一次的工作中都能获得利润。Alexey的博客，模型训练，分类对我的任务和我自己来说太复杂了。我想用更简单的东西来预测具有一定概率的平面。类似ADX的东西。而在MQL4中，这对于交易者、经济学家和哲学家来说是可以理解的，而不仅仅是数学包和编程语言R、Python等方面的专家。 Alexey Burnakov 2016.03.22 10:01 #497 Dr.Trader:我们也可以为此做一个分类器，通过树和R，就像Alexey的博客一样。我们需要收集数年的酒吧历史，然后手动或使用一些指标指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如，相应的0和1）。而我们将获得该指标。但一般来说，如果一个人从零开始 做一个 预测未来价格上涨的分类器--分类器本身应该学会区分平价和趋势。它的逻辑不会包含如此清晰的概念，但在概念上，它必须学会区分不同的市场特征，并根据它们改变预测。一个适当的分类器不能只在某些特定的时间间隔内工作，它的任务是在每一次工作中都能获得利润。我似乎有一个分类器可以学习它。看，这就是输入数据模式。我在给机器 与移动平均数的差异与移动高的区别也是以最低数据的传播标准差和简单的滞后采取的价格之间的差异。现在想象一下，这个窗口仍然从2到724分钟不等--有18套这样的预测器。这应该足以区分趋势运动和平面运动。至少，具有滞后性的价格和数据的传播（以及标准差）之间的差异告诉它。我还想取价格窗口的线性回归的斜率。也有一个可变窗口。但这是同样的鸡蛋。不过人们可以尝试一下。因此，分类器稳定地突出了与移动平均线的差异作为最重要的预测因素，以及价格之间的差异，包括价差和标准偏差。一切都被它所利用。 Alexey Burnakov 2016.03.22 10:19 #498 СанСаныч Фоменко:实践告诉我们一个不同的故事。这取决于你的教学内容。如果你只是对过去进行分类，那么是的。但如果你是在转移教师，即过去的预测值与现在的教师值相对应，那么你就是在预测未来。例如，你转移了1巴。因此，当一个新的条形图 到来时，你计算你所有的预测因素，然后使用PAST训练的模型来预测你的翻转趋势。你可以用超过1的班次来教它。预测模型的伟大之处在于，随着预测范围的增加，误差会增加（最多），而分类的情况却不是这样。因此，当对H1进行预测时：+1的误差=30%（实际数字），+2的误差略大，而+4的误差几乎为30%。不仅如此，如果你开始与伯纳科夫房屋交朋友，你可以在未来找到与+1条预测误差差不多的转变。是的，我并不是像ARIMA那样提前一步进行预测，比如说。使用Arima，误差呈指数级增长，因为提前一步预测的东西开始被用作预测器，这要重复多少次才能被提前预测。我最初有18个目标变量，对这些变量我一个一个地训练模型（通过训练参数，在最佳组合处停止）。这样我就能看到哪个地平线的一切都能得到更好的预测。我对所有目标的训练持续了大约一天。但这也不是极限。GPU上的多层神经网络可以为一个目标训练一周时间。 Дмитрий 2016.03.22 10:21 #499 Alexey Burnakov:我最初有18个目标变量，对于这些变量，我一个一个地训练模型（通过训练参数，在最佳组合处停止）。 你如何确定 "最佳 "组合？ СанСаныч Фоменко 2016.03.22 10:47 #500 Alexey Burnakov:是的，我不像ARIMA那样提前一步预测。使用Arima时，误差呈指数增长，因为提前一步预测的东西开始被用作预测器，这要重复多少次才能被提前预测。我最初有18个目标变量，对这些变量我一个一个地训练模型（通过训练参数，在最佳组合处停止）。这样我就能看到哪个地平线的一切都能得到更好的预测。我对所有目标的训练持续了大约一天。但这也不是极限。GPU上的多层神经网络可以为一个目标训练一周时间。 这是我对你的活动的理解 1...43444546474849505152535455 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
这些模式取决于时间。对一周中的 每一天 进行单独的分类器训练，或尝试在原始数据中加入月相（我是认真的），或一天中的时间，我不知道具体该怎么做，但这非常重要。
2）是的，我已经这样做了。我有一个大的数据集--我可以在这里分享--我在其中加入了价格数据。
- 小时
- 分
- 星期天
- 月
- 月的一天。
当然这很重要。但我们应该确定的不是TS成功的日子或时间，而是TS成功时市场的性质--趋势、平坦、季节性模式。市场的性质决定了数据的性质，而不是一周中的哪一天或经纪人的花招。市场的性质可以在历史上确定，但要在真实账户上确定，正如德米特里-费多谢耶夫写道："分析和交易的主要问题是识别趋势。
例如，TS被认为是成功的平面。是否有任何指标可以预测平局？
当然这很重要。只是需要确定的不是TS成功的日子或时间，而是TS成功时市场的性质--趋势、平坦、季节性模式。市场的性质决定了数据的性质，而不是一周中的哪一天或经纪人的花招。市场的性质可以在历史上确定，但要在真实账户上确定，正如德米特里-费多谢耶夫写道："分析和交易的主要问题是识别趋势。
例如，TS被认为是成功的平面。是否有任何指标可以预测平局？
问题是，你可以提前确定一天和一天中的时间，但趋势和平坦不能。
如果你知道如何提前识别趋势和平坦，那么你就不需要其他东西--圣杯就在你面前。
是否有任何指标可以预测平局？
你也可以为此做一个分类器，通过树和R，就像Alexey的博客中那样。我们需要收集几年的酒吧历史，然后手动或使用一些指标来指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如相应的0和1）。而我们将获得指标。
但一般来说，如果一个人从零开始 做一个 预测未来价格上涨的分类器--分类器本身应该学会区分平价和趋势。它的逻辑不会包含如此清晰的概念，但在概念上，它必须学会区分不同的市场特征，并根据它们改变预测。一个适当的分类器不能只在某些特定的时间间隔内工作，它的任务是一直在盈利中工作。
我们也可以为此做一个分类器，通过树和R，就像Alexey的博客一样。我们需要收集数年的酒吧历史，然后手动或使用一些指标指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如相应的0和1）。而我们将获得该指标。
它不是一个指标，而是一个分类器--它不预测而是分类。粗略地说，在研究了一部分历史后，它可以判断这一部分是趋势还是平淡。
但问题是，我也可以用眼睛来做--我不需要一个指标。
不是一个指标，而是一个分类器--它不是预测，而是分类。因此，大致上说，在研究了一部分历史后，可以说这一部分是一个趋势还是一个平局。
但问题是，我可以用眼睛来做--我不需要指标。
这种做法告诉我们其他的事情。这取决于你教什么。
如果你简单地对过去进行分类，是的。
但如果你转移了老师，即预测因子的过去值与老师的当前值相对应，那么你就可以预测未来。例如，你转移了1巴。因此，当一个新的条形图 到来时，你计算你所有的预测因素，然后使用PAST训练的模型来预测你的翻转趋势。你可以用超过1的班次来教它。预测模型的伟大之处在于，随着预测范围的增加，误差会增加（最多），而分类的情况则不是这样。因此，当对H1进行预测时：+1的误差=30%（实际数字），+2的误差略大，而+4的误差几乎为30%。
不仅如此，如果你开始与伯纳科夫房屋交朋友，你可以找到对未来的转变，其预测误差与+1条差不多。
我们也可以为此做一个分类器，通过树和R，就像Alexey的博客一样。我们需要收集数年的酒吧历史，然后手动或使用一些指标指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如，相应的0和1）。而我们将获得指标。
但一般来说，如果一个人从零开始 做一个 预测未来价格上涨的分类器--分类器本身应该学会区分平价和趋势。它的逻辑不会包含如此清晰的概念，但在概念上，它必须学会区分不同的市场特征，并根据它们改变预测。一个适当的分类器不应该只在某些特定的时间段内工作，它的任务是在每一次的工作中都能获得利润。
Alexey的博客，模型训练，分类对我的任务和我自己来说太复杂了。我想用更简单的东西来预测具有一定概率的平面。
类似ADX的东西。而在MQL4中，这对于交易者、经济学家和哲学家来说是可以理解的，而不仅仅是数学包和编程语言R、Python等方面的专家。
我们也可以为此做一个分类器，通过树和R，就像Alexey的博客一样。我们需要收集数年的酒吧历史，然后手动或使用一些指标指定哪些时间间隔是平的，哪些是不平的，并教给模型。在教授模型时，不要像例子中那样使用下一期的价格涨幅，而是要指定平缓/趋势值（例如，相应的0和1）。而我们将获得该指标。
但一般来说，如果一个人从零开始 做一个 预测未来价格上涨的分类器--分类器本身应该学会区分平价和趋势。它的逻辑不会包含如此清晰的概念，但在概念上，它必须学会区分不同的市场特征，并根据它们改变预测。一个适当的分类器不能只在某些特定的时间间隔内工作，它的任务是在每一次工作中都能获得利润。
我似乎有一个分类器可以学习它。
看，这就是输入数据模式。
我在给机器
与移动平均数的差异
与移动高的区别
也是以最低
数据的传播
标准差
和简单的滞后采取的价格之间的差异。
现在想象一下，这个窗口仍然从2到724分钟不等--有18套这样的预测器。
这应该足以区分趋势运动和平面运动。至少，具有滞后性的价格和数据的传播（以及标准差）之间的差异告诉它。
我还想取价格窗口的线性回归的斜率。也有一个可变窗口。但这是同样的鸡蛋。不过人们可以尝试一下。
因此，分类器稳定地突出了与移动平均线的差异作为最重要的预测因素，以及价格之间的差异，包括价差和标准偏差。一切都被它所利用。
实践告诉我们一个不同的故事。这取决于你的教学内容。
如果你只是对过去进行分类，那么是的。
但如果你是在转移教师，即过去的预测值与现在的教师值相对应，那么你就是在预测未来。例如，你转移了1巴。因此，当一个新的条形图 到来时，你计算你所有的预测因素，然后使用PAST训练的模型来预测你的翻转趋势。你可以用超过1的班次来教它。预测模型的伟大之处在于，随着预测范围的增加，误差会增加（最多），而分类的情况却不是这样。因此，当对H1进行预测时：+1的误差=30%（实际数字），+2的误差略大，而+4的误差几乎为30%。
不仅如此，如果你开始与伯纳科夫房屋交朋友，你可以在未来找到与+1条预测误差差不多的转变。
是的，我并不是像ARIMA那样提前一步进行预测，比如说。使用Arima，误差呈指数级增长，因为提前一步预测的东西开始被用作预测器，这要重复多少次才能被提前预测。
我最初有18个目标变量，对这些变量我一个一个地训练模型（通过训练参数，在最佳组合处停止）。这样我就能看到哪个地平线的一切都能得到更好的预测。
我对所有目标的训练持续了大约一天。但这也不是极限。GPU上的多层神经网络可以为一个目标训练一周时间。
我最初有18个目标变量，对于这些变量，我一个一个地训练模型（通过训练参数，在最佳组合处停止）。
是的，我不像ARIMA那样提前一步预测。使用Arima时，误差呈指数增长，因为提前一步预测的东西开始被用作预测器，这要重复多少次才能被提前预测。
我最初有18个目标变量，对这些变量我一个一个地训练模型（通过训练参数，在最佳组合处停止）。这样我就能看到哪个地平线的一切都能得到更好的预测。
我对所有目标的训练持续了大约一天。但这也不是极限。GPU上的多层神经网络可以为一个目标训练一周时间。