斯坦福大学的免费讲座 - 页 8

新评论
 
gpwr:
你的名字是维克多-米哈伊洛维奇吗，有没有可能？

概况。

我曾经研究过TA。在MESI，我想有三个系在教计量经济学和数理统计，我没有研究过。我不知道有什么有利可图的数学方法。我知道数学方法，在熟练的手中可以赚取利润，多次提到过。有目录，书单。垫子包装 ....如果你不想用谷歌或看我的资料，就拿EViews或R来说。但这都是一种工具，就像一个指标清单。

我没有圣杯。我在使用TA和数学统计方面有我的个人技能。我不会把这种技能教给任何人。

我想我已经详细地回答了。

 
faa1947:

概况。

我曾经研究过TA。在MESI，我想有三个系在教计量经济学和数理统计，我没有研究过。我不知道有什么有利可图的数学方法。我知道数学方法，在熟练的手中可以赚取利润，多次提到过。有目录，书单。垫子包装 ....如果你不想去谷歌或看我的资料，就拿EViews或R来说吧。但这都是一种工具，就像一个指标清单。

我没有圣杯。我在使用TA和数学统计方面有我的个人技能。我不会把这种技能教给任何人。

我想我已经全面回答了。


首先，你说 "TA是给那些可怜虫用的，这样他们就可以带着一副重要的表情把仓库里的东西掏出来"。而现在 "我在使用TA和数学统计方面有自己的个人技能。我不打算把它教给任何人。"

好的。不要纠结于文字。以下是我对神经网络的个人看法。我在2006年开始研究它们，试图将它们应用于市场。而在6年中，我得出的结论是，网络本身并不像输入数据的准备那样重要。此外，输入数据应该由同一个TA进行转换，以减少其维度，并对时间和价格轴的扭曲不产生影响。此外，我们应该事先知道我们想从网中得到什么，它应该实现哪些输入和输出系统。例如，如果我们想让净值在反弹/突破支撑/阻力水平时进行交易，则应相应地提出输入数据。但在收集了必要的输入数据，使网得到训练并为我们做出决定后，我们根本不需要网，因为我们已经知道如何进入和退出。试图对网络投入进行定价，希望网络能够改造它们，并想出如何使用它们，导致了灾难性的结果。

那么问题来了：网真的有必要和值得研究吗？每个人都有他或她自己的答案。例如，我不认为我在学习网络方面 浪费了时间。它们对我的工作很有用。此外，我们的大脑是同一个神经网络。因此，否认它在交易中的作用，就像否认大脑的作用一样。这里的问题是，我们仍然不明白我们的大脑是如何将相同的价格系列，集中在重要的点上，抽象出细节，并作出决定。一个简单的教科书式的神经网络无法模拟这种行为。即使我们能够模拟这种行为，这种 "生物 "网络的学习和运行速度也会比我们的大脑慢得多，并且不适用于交易。

 
gpwr:


首先，你说 "TA是为爱国者排遣仓库的重要看点"。而现在 "我在使用TA和数学统计方面有自己的技能。这是一项我不会教给其他人的技能。

+1 )))
 
faa1947:

..... 能赚钱的数学方法，我不知道。我知道在熟练的手中可以带来利润的数学方法，多次被称为......。

无需评论..........
 
gpwr:


这里的问题是，我们仍然 不明白我们的大脑是如何将同样的价格范围，集中在重要的点上，从细节中抽象出来，并做出决定 。

像这样...

假设形成
数据挖掘和收集
数据准备（过滤，转换）
模型选择，选择模型参数和训练算法
模型训练（自动搜索剩余的模型参数）
训练质量分析
识别模式分析

所有这些都被称为数据挖掘...

这台机器中的网络（如果使用的话）......关于适当准备的数据，我完全同意......如果数据是正常的，那么简单的线性回归 就足够了......这就是你应该追求的目标......

 
gpwr:


首先，你说 "TA是为爱国者排遣仓库的重要看点"。而现在 "我在使用TA和数学统计方面有自己的个人技能。这是我不打算教任何人的技能。"

好的。不要纠结于文字。以下是我对神经网络的个人看法。我在2006年开始研究它们，试图将它们应用于市场。而在6年中，我得出的结论是，网络本身并不像输入数据的准备那样重要。此外，输入的数据应该由同一个TA进行转换，以减少其维度，并对时间和价格轴的扭曲不产生影响。此外，我们应该事先知道我们想从网中得到什么，它应该实现哪些输入和输出系统。例如，如果我们想让净值在反弹/突破支撑/阻力水平时进行交易，则应相应地提出输入数据。但在收集了必要的输入数据，使网得到训练并为我们做出决定后，我们根本不需要网，因为我们已经知道如何进入和退出。试图对网络投入进行定价，希望网络能够改造它们，并想出如何使用它们，导致了灾难性的结果。

那么问题来了：网真的有必要和值得研究吗？每个人都有他或她自己的答案。例如，我不认为我在学习网络方面浪费了时间。它们对我的工作很有用。此外，我们的大脑是同一个神经网络。所以否认它在交易中的用处，就像否认大脑的用处一样。这里的问题是，我们仍然不明白我们的大脑是如何将相同的价格系列，集中在重要的点上，抽象出细节，并作出决定。一个简单的教科书式的神经网络无法模拟这种行为。即使我们能够模拟这种行为，这种 "生物 "网络的学习和运行速度也会比我们的大脑慢得多，并且不适用于交易。

只有关于网络的书本知识。

在计量经济学 中，TS被作为分类工具之一来使用。但分类并不足以建立一个正常的计量经济学模型，NS可能是模型的一部分，而不是最重要的。建模始于学习和掌握估计方法。如果没有估计方法，就不能分析商数，就不能评价我们在分析结果上建立的模型，就不能评价模型应用的结果。对上述所有情况，NS没有任何关系。

你的帖子证实了我的疑惑。你设法想出了一个非常不复杂的想法，叫做NS，毕竟它可以应用于交易。但由于某些原因，你没有花一分钟时间研究一个更简单的概念，即回归。而了解回归并知道如何使用它们会极大地改变你对特别是指标和TA的态度。而且论坛上还会多一个人声称 "TA是为神迹领域中的可怜人准备的"。

 
faa1947: 我不知道有什么数学方法可以赚取利润。数学。在熟练的手中可以赚取利润的方法是我知道的，多次调用。{...}我想我已经详尽地回答了。
是的，从字面上看，民间智慧的回答是："在熟练的手中和#螺丝刀 "的格式中。
 
faa1947: 我不知道有什么数学方法是可以盈利的。我不知道有什么数学方法，在熟练掌握的情况下，可以 赚到钱。
关键字是 "可能"，即可能不会。))
 
Vizard:

像这样的事情...

假设形成
数据检索和收集
数据准备（过滤、转换）
模型选择、模型参数选择和训练算法
模型训练（自动搜索剩余的模型参数）
训练质量分析
识别模式分析

所有这些都被称为数据挖掘...

这台机器中的网络（如果使用的话）......关于适当准备的数据，我完全同意......如果数据是正常的，那么简单的线性回归就足够了......这就是你应该追求的目标......


我同意，我们知道建立模型的步骤。我们还不知道如何创建一个 体现这些步骤的神经网络。也许在遥远的未来，我们将学会如何创建这样的神经网络。目前，一个神经网络（开发者的大脑）做了所有重要的准备工作，包括处理数据、识别模式、选择模型和优化这个模型，而另一个网络（在程序中）只根据开发者给它的数据和结构做计算。在这第二个网络中加入自我优化的权重并不能使它变得更聪明，而只能减少建模误差。
 
gpwr:

我同意，建立一个模型的步骤是我们所知道的。目前还不知道如何创建一个体现这些步骤的神经网络。也 许在遥远的将来，我们会学会创造这样的神经网络。目前，一个神经网络（开发者的大脑）做了所有重要的准备工作，包括处理数据、识别模式、选择模型和优化这个模型，而另一个网络（在程序中）只根据开发者给它的数据和结构做计算。在这第二个网络中加入自我优化的权重并不能使它变得更聪明，而只能减少建模误差。


可以在现成的统计包或几个统计包中进行这样的构建......用脚本和宏来配合一切（即完全自动化） 其中一个选项 -

假设形成--使用任何图表工具，在最大回报率上训练net或ha或等
--得到会给出最大回报率的BP或布尔（作为信号）......将来你可以在最大回报率和等上使用目标函数
，如果net或等是自己写的且正常......

搜索和收集数据 - 自动下载我们拥有的一切...

数据准备（过滤、转换）--分类、聚类、因子分析、输入白化
，也可以部分由网格完成......你可以用现成的算法做......。
(这是最重要的部分，狡猾的变换很可能会改善结果)

模型选择，模型参数的选择和学习算法--用1个学习误差测试几个模型，然后选择对现有数据最好的模型（在统计软件包中有这种现成的模块）...

分析确定的模式--在这里，你可以只把它们送入网络，然后看一下百分比比例的权重或其他方面...

这样的结构我可能是最接近智能套装的--因为目标是由模型本身开始选择的，从原始数据到最后的切割都是自动的......。

当然，一般来说，所有这些都是非常耗时和低效的......有趣的是，在实践中，它不会与正态（和）TA指标的优化有太大区别，用于最大收益或计量经济学问题（除非数据中闪现一个正态预测器）），因为BP的所有属性无论如何都会渗透到模型中并得到登记......以及所有后续的后果......

因此，当桑尼茨用公式尺运行并说计量经济学 是最好的时候......更聪明的人会尝试用TA来切割......在某一步骤进行重新训练（作为选项之一），抓住持续一段时间的BP动态并忽略非平稳性......）。

12345678
新评论