请告诉我们您的意见。 - 页 5

新评论
 
Figar0:

结果是好的，但只有市场知道接下来会发生什么。两年来，我一直在根据同样的原则编写EA，我注意到一个特殊性--盈利和失败部分的突然交替。有时，这似乎是一个真正的圣杯，一年中一半的远期交易是如此美丽，而接下来的六个月...我的有50个盈利交易的范围可能会变成一个有亏损交易的范围。为什么会这样呢？我不完全理解，但我怀疑市场不时地获得一种 "自发性质"，当它的行为略微取决于前一个时期，这被NS用于学习/学习/适应（取决于实现）。


无论如何，结果看起来不错，而且稳健性的机会是存在的，不要听信任何人 :)(IMHO)。

因此，在您看来，没有任何标准可以确定TS的未来可操作性？

好吧，我不相信存在永恒的TS，不管有没有神经网络，这都不重要。任何TS都有一个寿命，就像这个世界上的一切。所以我写道，我们已经训练了TS，并在训练期和样本外期得到了良好的权益，但接下来呢？毕竟，所有这些并不能保证将来有任何工作。例如，我做一个TS并在OOS和培训上获得良好的权益是没有问题的。甚至在OOS上也非常好。但这种TS在现实市场上并不总是很有效。它可能更好，也可能更糟。目前还不清楚它取决于什么。所以我在纠结一个问题--如何评估和计算这个TS在未来是否能发挥作用？

 

Неее, матожидание это не то.....

胜利的期望 是数学上的胜利期望。这个经过统计计算的指标反映了一笔交易的平均利润/损失。它也可以被认为是反映了下一次交易的预期盈利/亏损。

对。交易的平均结果（其 "期望值"）是测试区间的总结果除以交易数量（即带符号的净利润除以交易数量）。坦率地说，我不明白问题出在哪里，你所说的与我所说的有什么不同。期望值与平均值差不多，对未来没有直接影响。


Metaquotes在这里有一个轻微的术语不准确：它不是胜利的m.o.，而是对交易的m.o.的估计（因为平均交易也可能是损失）。只要把报告中的数字拿出来，互相除以就可以了。你将得到确切的 "m.o.s.的赢利"。


一般来说，只有当我们已经有了一个现象的概率模型时，我们才能谈论m.o.，即这是一个纯粹的Terwerian概念。我们还没有一个模型，而只是一个神话人口的样本，所以我们有--统计数据。所以，我们只能正确地谈论期望值的估计。

 
LeoV:

因此，在您看来，不可能通过任何标准来确定TS的未来表现？

好吧，我不相信永恒的TS的存在，有无神经网络，都无所谓。任何TS都有一个寿命，就像这个世界上的一切。所以我写道，我们已经训练了TS，并在训练期和样本外期得到了良好的权益，但接下来呢？毕竟，所有这些并不能保证将来有任何工作。例如，我做一个TS并在OOS和培训上获得良好的权益是没有问题的。甚至在OOS上也非常好。但这种TS在现实市场上并不总是很有效。它可能更好，也可能更糟。目前还不清楚它取决于什么。所以我在纠结一个问题--如何理解、评估或计算TS在未来是否能发挥作用？

肯定是不可能的，有可能以某种程度的概率希望得到一个有利的结果，但这种概率在大多数情况下趋向于50%）可能有罕见的pipswise系统例外，但因此它们不是在运动中工作，而是在噪音中工作，虽然这听起来很矛盾，从实际的角度来看，它们经不起批评。


但我指望的是一个永恒的系统）。我选择的进一步工作方向之一是拒绝所有的培训，依靠自学和交易系统的完全自主性。我希望通过使用这种方法，增加该系统在未来工作的可能性。 时间会证明它将如何运作)


我再说一遍，无论如何你的结果是不坏的，值得在交易中尝试（我肯定会尝试）。 如果你抛弃了这样的结果，还有什么可交易的呢？

 
Figar0:

我在指望一个永久的系统）。进一步工作的方向之一，我选择拒绝所有的培训，全部押在自学和交易系统的完全自主上。我希望通过使用这种方法来提高系统在未来工作的概率。时间会证明它将如何运作)

那么，自我训练也是一种训练。只能从一边开始。无论如何，我们必须选择自我学习停止的标准。当它（系统）必须完成自我学习，以便在未来工作中获利时？

 
LeoV:
费加0。

我在指望一个永久的系统）。进一步工作的方向之一，我选择拒绝所有的培训，全部押在自学和交易系统的完全自主上。我希望通过使用这种方法，增加该系统在未来工作的可能性。时间会证明它将如何运作)

那么，自我训练也是一种训练。只能从一边开始。无论如何，我们必须选择自我学习的标准。当它（系统）必须完成自我学习，以便能够在未来工作中获利？

当然，这也是事实...但在我看来，这种系统的 "拟合 "成分恰恰是在最初的训练/优化过程中引入的，当时选择的系统参数保持不变，无论是输入指标的周期还是网络拓扑结构本身。在这里，你有2007年末的培训，2008年的测试->更新。而且，即使在工作过程中出现了系统的适应能力，一些参数被改变（例如，突触的权重被调整，概率被改变，而在2007年的初始训练中获得的东西仍然没有改变，对吗？否则，这种培训就没有意义了。这正是我想用永恒的学习来摆脱的东西）。

除了系统很重，但这可能不在这个话题的范围内....。

 
Figar0:

当然，这也是事实...但在我看来，这种系统的 "拟合 "成分恰恰是在初始训练/优化时引入的，当时系统参数被选择为保持不变，无论是输入指标的周期，甚至是网络拓扑结构本身......在这里，你有2007年末的培训，2008年的测试->更新。而且，即使在工作过程中出现了系统的适应能力，一些参数被改变（例如，突触的权重被调整，概率被改变，而在2007年的初始训练中获得的东西仍然没有改变，对吗？否则，这种培训就没有意义了。这就是我试图用永恒的学习来摆脱的东西)

我同意。我也相信，只有适应性强的TC才能在这个市场上保持较长的时间。但问题还是出现了--如何设定标准来停止训练或自学（不管你怎么称呼它）。毕竟，如果这个标准不明确，就不可能对其进行编程。毕竟，TS训练或自我学习的时间越长，越有可能符合历史数据，也越有可能在实际交易中失败。

 
根据历史数据进行调整和适应是不同的事情。俄罗斯的语言很丰富，它被称为不同的词汇不是没有道理的。
 
Prival:
根据历史数据进行调整和适应是不同的事情。俄罗斯的语言很丰富，它被称为不同的词汇不是没有道理的。

是的，谢谢，我知道它是不同的......，问题是不同的。我似乎没有写错)))))))))))))))

 

从曲线的形状上很难看出系统的稳健性。稳健性体现在理念上。对于NS来说，其理念是对输入数据进行正确的预处理，而拓扑结构等则处于第二位。输入的数据应该最准确、最明确地描述正在使用的市场过程，为此你需要对它有一个概念。以及系统拒绝规则的正确标准。

 
Avals:

从曲线的形状上很难看出系统的稳健性。稳健性体现在理念上。对于NS来说，其理念是对输入数据进行正确的预处理，而拓扑结构等则处于第二位。输入的数据应该最准确、最明确地描述正在使用的市场过程，为此你需要对它有一个概念。以及系统拒绝规则的正确标准。

你写得都很正确。我同意。但要找到正确的解决方案，这一切都太笼统了。正如他们所说的 "关于一切，也关于一切"。我想说得具体一点。

除了曲线形状之外，你还可以看到很多其他有用的信息。利润，交易数量，数学期望值，等等......在我看来，这些信息在将来估计我的TS的工作能力时可能是有用的。还是我搞错了？

虽然最后一句话不清楚.......

12345678
新评论