不要告诉我TA不起作用。 - 页 23

新评论
 
MetaDriver:

这是信号加法的结果（触发器=0）。


而这里是逻辑信号乘法（触发器=2）。


这两种结果，在其他条件相同的情况下（配对、时间框架、优化期等）。同样是11年。


好吧，我明天再考虑，现在该睡觉了。

这只是我在优化你的EA时注意到的情况。

- 我错误地留下了pass = 1，并将感知器的参数设置为0，以便优化。

在这种情况下，感知器参数0不应该被计算，但是它们被计算了，即控制被传递给了函数perceptron0().....。


 
MetaDriver:


我很高兴盈利的OOS的持续时间超过了7年，然而令人紧张的是，几乎所有的OOS都是按部就班地倒退。

球场后面的东西不是应变的。问题是，即使假设我们处理的是对过去的稳定预测，即某种时间机器可以带我们回去，让我们在那里交易获利，也有一个解决方案。用传统的感知器对输入端开盘价的差异，我们可以以任何方式操纵它们：既把车放在马后面，也把车放在前面。也就是说，如果一个感知器能够自信地预测过去，那么可以重新计算权重，以便它能够 "预测 "未来。图表也可以围绕纵轴翻转，即时间可以反转。

也就是说，我们需要任何一种时间机器，不管它把我们带到哪里：向前或向后。重要的是在非常的地方，在稳定方面的有利可图的结果，我们得到。剩下的就不是问题了--基本的数学。Perceptron是一个典型的线性不等式。

 
Reshetov:

球场后面的东西不是应变的。问题是，即使假设我们处理的是对过去的稳定预测，即某种时间机器可以带我们回去，让我们在那里交易获利，也有一个解决方案。用传统的感知器对输入端开盘价的差异，我们可以以任何方式操纵它们：既把车放在马后面，也把车放在前面。也就是说，如果一个感知器能够自信地预测过去，那么可以重新计算权重，以便它能够 "预测 "未来。图表也可以围绕纵轴翻转，即时间可以反转。

也就是说，我们需要任何一种时间机器，无论它把我们带到哪里：向前或向后。重要的是在稳定方面的有利可图的结果，我们到达的地方。剩下的就不是问题了--基本的数学。Perceptron是一个典型的线性不等式。


尤拉，塔什干一定是春天了，我们在阿拉木图还很冷，你真的相信吗？
 
MetaDriver:

因为你的不实之词看起来比雷舍托夫的还要糟糕。无论如何，在我看来，要求他向你证明什么是不正确的。

在帖子中，我写了关于P值的内容。这是数学统计学的第一个阿兹。

这个人提出了想法，甚至在技术上说明了它，还不足以让你卷起袖子（如果你认为它有前途）？ 你甚至可以向他索取种子资金。;-)

我想提醒你一下，100个专家学者无法评论的观点的作者。

填补空白。或者至少尝试一下。

雷舍托夫声称，他的系统是TA的证明。他用TC证明了这一点。但雷舍托夫不是第一个--这样的证明已经有大约400年的历史，从日本人的蜡烛开始。

顺便说一下，缺乏工作的证明或不工作的TA的证明，并不影响在TA的基础上发展TA并使TA成为收入来源的事实。TA是一门艺术，就像任何其他种类的艺术一样，有民间艺术家为一大群没有人知道的失败者。

我知道雷舍托夫的TA是以NS为基础的。如果是这样，这很重要，因为应用NS的成功完全取决于教授NS的人。雷舍托夫已经成功了，也许他是个天才，也许他从树上掉下来，也许他喝了很多啤酒--我们不在乎--他的技能不会转移到我们身上。所有的TA都是这样的。TA在原则上是未经证实的。

结论。

也许你可以澄清我的一个看法。这个论坛（和其他论坛一样）讨论TA，一些奇特的东西，如分形等，但从来没有讨论过计量经济学和其兄弟的Matstatistics在TC中的应用。请注意，"计量经济学 "一词在本论坛中的语法是不正确的。

一眼望去，我可以回忆起关于回归方程的讨论，很快就被打成了计算回归系数的公式--没有关于回归在TC中的应用的讨论结果。对统计数据的忽视是一个意外吗？ 还是要感谢雷舍托夫和他的同事。

:)

 
faa1947:
从来没有人讨论过计量经济学和它的姊妹篇--Matstatistics在TC中的应用。
好吧，这太过分了!这就是我们谈论的全部））。
 
alsu:

仅仅是我头脑中的想法

https://www.mql5.com/ru/forum/105771

与计量经济学不相关，因为它没有一个明确的模型。

https://www.mql5.com/ru/forum/105740

一个新的所谓的市场模式已经被提出。由一位DSP专家提出，我深深地相信这并不适用于市场。论坛上没有对这个模型进行过实际研究。

https://www.mql5.com/ru/articles/222

原谅我，我同意。如果你在 "计量经济学 "上进行搜索，就不会找到它。这篇文章很新，而且是一篇文章，不是一个论坛。我必须坚持认为，从2011年1月1日起，我是正确的。在我看来，对这一作品或类似作品的讨论将是相当有趣的。无论如何，具体的算法和数字会被讨论，而不是个别的，尽管是天才的人物的技能。

在评论这篇文章时，我产生了很多不同的兴趣和建议。首先，作者使用了自己的程序，但有Eviews和最重要的Matlab。如果我们采取这些包装，我们就能对问题有一个更系统的看法。

谢谢你的最后一个链接，从无知的、不知情的和DSP和NS的专家那里得到的信息相当可悲。

 

同事们，用任何东西来适应模型参数是一个古老而正确的想法，比如我，用贝叶斯网络+还有几个想法现在正在测试中，你可以用手鼓舞和祭祀来适应它。这不是问题所在。检查获得的新盈利图的随机性。肉眼可以看到明显的问题。事实上，没有理由感到欢欣鼓舞。

 

Martingeil:

雷舍托夫。


球场后面的东西不是应变的。

...

剩下的就不是问题了--基本的数学。


尤拉，塔什干一定是春天了，我们在阿拉木图还很冷，你真的相信吗？

我不相信在塔什干是春天--这里是雪地，很冷。

阿拉木图很冷，我相信 - 外面是二月。

至于数学，它不是一个可以相信的宗教。


假设我们有四个相邻的历史部分，从过去到未来的顺序是：A、B、C、D

如果把来自A、B和C的信号加起来，使D=A+B+C，那么D上的信号是不确定的。

我们通过简单地将其他三个部分的信号相加，得到A部分的自信交易信号：A = B + C + D

但我们不需要A部分--它是过去，而未来只能在D部分获得，如果我们知道A、B和C的信号。

那么从上述公式中我们可以得到：D = A - B - C

 
Чтобы не бегать по разным веткам, если позволит публика, скопирую:

让我们在一个交易系统上做个实验，这个系统是基于预测未来的报价运动方向，由

拟合权重系数 初级单层神经元网络-感知器的历史数据。这个交易系统的原理在我的文章 "如何找到一个交易系统 "中有详细描述。让我们在H1时间框架图上采取欧元兑美元货币对过去9个月或更长时间的历史数据。我们将把它分为三个独立部分，每部分三个月。第一个将用于最终测试，而另外两个将用于适应历史。为了避免单独运行交易系统，我立即将两个感知器合并到一个交易系统中。

我创建了函数Supervisor()，在它的帮助下，交易系统有三种操作模式，取决于输入的通行 参数。

1 - 第一个感知器的拟合和测试。

2 - 第二个感知器的拟合和测试。

3 - 通过筛选出两个感知器在没有优化的测试模式下或在模拟或真实存款的自动交易模式下的不一致读数进行过滤。

感知器的权重系数： x11, x12 ...x42，以及p和sl 被拟合到历史数据中。输入参数sl 对所有部分都是一个常数。所有未结头寸的止损和止盈水平都是通过这个数值来设置的。另一个输入参数p--开盘价差的滞后时间段，也是一个常数。在一个新的柱状结构开始时进入市场，即根据柱状开盘价和感知器读数，取决于通行证输入参数的值，只有在触发止损或止盈时才退出。使用遗传算法进行优化，以确定极值，并将平衡最大值作为一个极值。初始金额应该非常大，例如1000000美元，以防止算法在优化过程中被追加保证金卡住。输入参数：lot - 以手为单位的未结头寸数量，mn - 唯一的神奇数字，这样EA就不会混淆处理自己的（已开的）订单和别人的（未开的）订单。


在第一步 ，我们需要找出输入变量p 和sl 的值。要做到这一点，我们选择历史的最后两部分，即从6个月前到今天。我们将感知器权重的所有参数设置为从Start = 0到Stop = 200 的值，步长为1。 设置P值 从开始=3到停止=100，步长为1，sl值从开始=100到停止=1000，步长为10（或从10到100，步长为1的四位数报价）。将通过值设为1。勾选以下要优化的参数：X11、X21、X31、X41、P 和Sl。所有其他复选框都应该被禁用。激活优化。拟合完成后，将输入参数设置为最佳通过。


第二步。在第二段历史数据上拟合第一个感知器的权重。我们将优化日期和时间从6个月前设置为3个月前。仅从输入变量p和sl中取消对优化参数的检查。 运行优化。一旦优化完成，根据最佳拟合设定输入参数。


第三步。在第三段历史数据上拟合第二个感知器的权重。我们将优化的日期和时间从3个月前的 到现在。取消勾选优化参数：x11、x21、x31、x41，并为x12、x22、x32和x42 设置。其他复选框必须取消勾选。将输入变量的通过率设为2。开始优化。一旦优化完成，按最佳通道设置输入参数。


就这样，我们的交易系统已经根据6个月前到现在的历史数据进行了调整。让我们在设置文件中保存输入参数的值。将通行证输入变量设为3。取消勾选 "使用日期。开始测试。我们看一下测试图表。我们可以看到，平衡和权益曲线在图表的右边部分趋于上升，在左边部分趋于下降。现在我们必须确保天平在调整样本外的区域趋于上升。我们把鼠标的光标移到平衡线上，这里是利润上升的起点，然后看一下工具提示中的日期。事实证明，从今天算起，几乎在9个月前，平衡曲线就趋于上升，不包括10天，即8个月零20天。而调整是在6个月的时间里进行的。因此，在优化后的 ，有一个成功的测试。我们强调这个样本外的区域，以更详细地分析它。总的来说，结果是相当令人满意的，虽然明显不如J. Soros的记录，但优于W. Niederhoffer的记录。


为了确保我们在历史的某些部分处理了拟合，取消 "使用日期 "复选框是必要的，也是足够的。并通过整个可用的历史记录，用数值1和2运行专家顾问的测试。在这些模式中，我们可以看到，平衡曲线的向上增长只在这些时期内观察到，在这些时期内，某些感知器被拟合。对于所有其他的历史时期，除了个别以低谷结束的驼峰外，没有正的趋势。


正如我们所看到的，尽管两个感知器都没有通过历史数据优化样本以外的正向测试，但是它们的联合信号的过滤器，在拟合时什么都不知道的历史数据上给出了积极的结果。你也可以尝试其他交易系统，比如基于简单移动平均线的分解或更先进的多层神经网络的系统。如果交易系统是稳健的，它更有可能在优化期之外对过滤的交易信号产生积极的结果。如果它不健全，在启用过滤器的情况下，它将不会在优化期给出积极的结果。然而，与点差、互换和经纪人佣金的间接成本相比，TS的稳健性是次要的。因此，在有大量开销的情况下，人们只能梦想在正向测试中获得积极的结果，因为预期回报显然是负面的。

1...161718192021222324252627
新评论