Gibt es ein Muster in diesem Chaos? Lassen Sie uns versuchen, es zu finden! Maschinelles Lernen am Beispiel einer bestimmten Stichprobe. - Seite 28
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich habe eine Spalte hinzugefügt: "1" kaufen, "-1" verkaufen. Ich glaube, ich habe es richtig gemacht, aber ich habe es nicht überprüft ... :) Faul.
Auf dem Chart ohne Spread und Kommission ist dies das Ergebnis in Punkten:
Ergebnisse: PR=157488 +Trades=778 -Trades=18 (Gewinn, Anzahl der positiven und negativen Trades)
Spread von 0,00050:
Ergebnisse: PR=117688 +Geschäfte=629 -Geschäfte=167
Spanne bei 0,00100:
PR=77888 +Geschäfte=427 -Geschäfte=369
Spanne bei 200:
PR=-1712 +Geschäfte=241 -Geschäfte=555
Herzlichen Glückwunsch zu Ihrem Super-Oszillator!
Ich habe solche Ergebnisse unter Berücksichtigung von Target_P (Signale, die nicht in der Richtung übereinstimmen, werden ausgeschlossen) - ich bin verwirrt durch Schwankungen am Anfang und dann ein so schnelles Wachstum.
Wenn es keinen Fehler in Ihrem Code gibt, können Sie sich als Millionär betrachten!
Können Sie mir sagen, was das Geheimnis ist? Ich verstehe, dass es sich im Wesentlichen um ein Polynom handelt, das Sie irgendwie in die Grenzen eines Oszillators getrieben haben.
Herzlichen Glückwunsch zu Ihrem Super-Oszillator!
Ich habe solche Ergebnisse unter Berücksichtigung von Target_P (Signale, die in der Richtung nicht übereinstimmen, werden ausgeschlossen) - es ist allerdings verwirrend, dass es am Anfang schwankt und dann so schnell wächst.
Wenn es keinen Fehler in Ihrem Code gibt, können Sie sich als Millionär betrachten!
Können Sie mir sagen, was das Geheimnis ist? Ich verstehe, dass es sich im Wesentlichen um ein Polynom handelt, das Sie irgendwie in die Grenzen eines Oszillators getrieben haben.
Es gibt fast keine Geheimnisse. Ich habe Ihnen oben schon alles gesagt. Keine Polynome.
Ich gebe Ihnen ein paar Hinweise:
1) Ziel. Es sollte selbst bestimmt werden, d.h. Sie sollten die Daten so filtern, dass der potenzielle Gewinn sowohl bei starken als auch bei flachen Bewegungen maximiert wird. Ich habe früher das Dobeshi-Wavelet für die Serienzerlegung verwendet, und ich behaupte sogar, dass es die korrekteste Variante ist (obwohl ich jetzt eine weniger ressourcenintensive gefunden habe). Das Wichtigste bei der Filterung ist, sie nicht "on the fly" durchzuführen und mindestens 10-20 % der Daten an den Rändern der Stichprobenkurve auszuschließen. Es ist notwendig, Randdaten zu entfernen, um Randeffekte auszuschließen.
2) Oszillator. Das kann wirklich der einfachste sein. Zum Beispiel der völlig in Vergessenheit geratene RVI ... :) Es sollte nur die richtige Periode gewählt werden.
3) Aber das Wichtigste sind die "richtigen" neuronalen Netze und der Algorithmus für ihre Anwendung ... :) Dazu gehört auch die richtige Interpretation des Ergebnisses der neuronalen Netze.
Der Fehler im Code kann nur in der Zeit des Auftretens des Signals liegen (obwohl ich schon achtmal geprüft habe und keinen Fehler gefunden habe), aber auch wenn das Auftreten des Signals nach rechts verschoben wird (d.h. um eine künstliche Verzögerung des Signals um 1-2 Schritte zu machen), gibt es auch einen Gewinn - weniger als der ursprüngliche, natürlich, aber die Ausgangsbedingungen aus dem ersten Beitrag sind groß.
Es gibt kaum Geheimnisse. Ich habe dir oben alles gesagt. Keine Polynome.
Ich werde eine Reihe von Hinweisen schreiben:
1) Ziel. Es sollte selbst bestimmt werden, d.h. Sie sollten die Daten so filtern, dass der potenzielle Gewinn sowohl bei starken als auch bei flachen Bewegungen maximiert wird. Ich habe früher das Dobeshi-Wavelet für die Serienzerlegung verwendet, und ich würde sogar sagen, dass es die korrekteste Variante ist (obwohl ich jetzt eine weniger ressourcenintensive gefunden habe). Das Wichtigste bei der Filterung ist, sie nicht "on the fly" durchzuführen und mindestens 10-20 % der Daten an den Rändern der Stichprobenkurve auszuschließen. Es ist notwendig, Randdaten zu entfernen, um Randeffekte auszuschließen.
2) Oszillator. Das kann wirklich der einfachste sein. Zum Beispiel der völlig in Vergessenheit geratene RVI ... :) Es sollte nur die richtige Periode gewählt werden.
3) Aber das Wichtigste sind die "richtigen" neuronalen Netze und der Algorithmus für ihre Anwendung ... :) Dazu gehört auch die richtige Interpretation des Ergebnisses der neuronalen Netze.
Der Fehler im Code kann nur in der Zeit des Auftretens des Signals sein (obwohl ich bereits achtmal überprüft und keinen Fehler gefunden habe), aber auch wenn das Auftreten des Signals nach rechts verschoben wird (d.h. um eine künstliche Verzögerung des Signals um 1-2 Schritte zu machen), gibt es auch einen Gewinn - weniger als die ursprüngliche, natürlich, aber die Ausgangsbedingungen aus dem ersten Beitrag sind groß.
Der erste Hinweis - es geht um meine Daten, also lassen wir ihn vorerst weg.
Der zweite Hinweis - ich frage mich - haben Sie den Musterzug verwendet?
Dritter Hinweis - und hier verstehe ich nicht - warum so viele neuronale Netze? Was füttern Sie denn mit dem Input, Returns oder was?
Erster Hinweis: Es geht um meine Daten, also lassen wir das erst einmal weg.
Der zweite Hinweis: Ich frage mich, ob Sie Stichproben genommen haben?
Dritter Hinweis - und hier verstehe ich nicht - warum so viele neuronale Netze? Was füttern Sie denn mit dem Input, Retouren oder was?
2) Ja, nur die Zugstichprobe ist überfischt, weil man davon ausgeht, dass die Zugstichprobe und die Teststichprobe das Ergebnis ein und desselben Prozesses sind. Wenn die Prozesse unterschiedlich sind, dann wird natürlich nichts erhalten.
3) Es ist sehr einfach. Haben Sie schon einmal Genetik betrieben?
Wenn die Genetik zum Beispiel eine Gleichung mit zehn Variablen löst, kann man mit verschiedenen Variablen das gleiche Ergebnis (sehr nahe) erzielen. Mit neuronalen Netzen ist es dasselbe. Erstellen und trainieren Sie zwei neuronale Netze mit denselben Stichproben und betrachten Sie dann den Fehler dieser Netze und ihre Gewichtskoeffizienten. Sie werden unterschiedlich sein!
Außerdem benötigen Sie für verschiedene Teile der Graphen eine unterschiedliche Tiefe der Stichproben, die in den Eingang der neuronalen Netze eingespeist werden. Das heißt, dass neuronale Netze mit unterschiedlicher Abtasttiefe in verschiedenen Teilen des Graphen eine unterschiedliche Genauigkeit aufweisen. Das "richtige" Komitee ermöglicht also eine korrekte Reaktion auf die gesamte Länge der Stichproben. Und vor allem, dass dieser Ausschuss selbst diese Korrektheit bestimmt. Vielleicht sind das schon die Grundlagen der KI ... :)
3) Es ist sehr einfach. Haben Sie jemals Genetik betrieben?
Wenn man in der Genetik beispielsweise eine Gleichung mit zehn Variablen löst, kann man das gleiche Ergebnis (sehr ähnlich) mit anderen Variablen erzielen. Mit neuronalen Netzen ist es dasselbe. Erstellen und trainieren Sie zwei neuronale Netze mit denselben Stichproben und betrachten Sie dann den Fehler dieser Netze und ihre Gewichtskoeffizienten. Sie werden unterschiedlich sein!
Außerdem benötigen Sie für verschiedene Teile der Graphen eine unterschiedliche Tiefe der Stichproben, die in den Eingang der neuronalen Netze eingespeist werden. Das heißt, dass neuronale Netze mit unterschiedlicher Abtasttiefe in verschiedenen Teilen des Graphen eine unterschiedliche Genauigkeit aufweisen. Das "richtige" Komitee ermöglicht also eine korrekte Reaktion auf die gesamte Länge der Stichproben. Und vor allem, dass dieser Ausschuss selbst diese Korrektheit bestimmt. Vielleicht sind das schon die Grundlagen der KI ... :)
Sie verwirren mich - ich verstehe nicht, haben Sie eine Oszillatorformel mit freien Koeffizienten, die durch Genetik ausgewählt werden? Ist die Genetik in einem neuronalen Netz implementiert (ich kenne eine solche Variante nicht)?
Es ist klar, aber wie haben Sie es gesammelt und Koeffizienten verteilt - auf Zug oder auf eine andere Probe?
Verstehe ich das richtig, dass die Eingabe reine Werte mit einer gewissen Einrückung oder sogar ganze Fenster sind, aber von unterschiedlicher Größe in verschiedenen Netzen?
Sie verwirren mich - ich kann nicht verstehen, haben Sie eine Oszillatorformel mit freien Koeffizienten, die durch Genetik ausgewählt werden? Ist die Genetik in einem neuronalen Netz implementiert (ich weiß nichts über diese Option)?
Es ist klar, aber wie haben Sie es gesammelt und die Koeffizienten verteilt - im Zug oder in einer anderen Probe?
Verstehe ich das richtig, dass die Eingabe reine Werte mit einer gewissen Einrückung oder sogar ganze Fenster sind, aber von unterschiedlicher Größe in verschiedenen Netzwerken?
Genetik ist üblich, ohne neuronales Netz (um ehrlich zu sein, Genetik auf neuronalem Netz ist mir auch unbekannt).
Alles wird nur anhand einer Stichprobe von Zügen bestimmt. Der Ausschuss selbst bestimmt alle Koeffizienten.
Ja, fast reine Werte, verschiedene Tiefen, verschiedene Fenster, usw.
Genetik ist weit verbreitet, ohne Neurosen (um ehrlich zu sein, ist mir die Genetik bei Neurosen auch unbekannt).
Alles wird nur anhand einer Stichprobe von Zügen bestimmt. Der Ausschuss selbst bestimmt alle Koeffizienten.
Ja, fast reine Werte, verschiedene Tiefen, verschiedene Fenster, usw.
Oszillator wurde vorhin als ein kollektives Bild erwähnt, das in der Realität nicht angewendet wird?
Der Oszillator wurde zuvor als ein in der Realität nicht angewandtes kollektives Bild erwähnt?
Nein, der Oszillator ist kein kollektives Bild, sondern eine Realität (im Keller platziert):
Der eigentliche Oszillator selbst + Punkte ist die Prognose. Die Punkte erscheinen bei den ersten Ticks eines neuen Balkens. Aber das Auftauchen eines Punktes ist kein Signal für ein Geschäft - es ist nur eine Warnung. Die weitere Kursbewegung wird analysiert, und erst dann wird eine Entscheidung über das Geschäft getroffen. Übrigens ist in diesem Chart auch ein Stop (rote Markierung) eingezeichnet, der in 98-99% der Fälle nicht durchbrochen wird - er dient der Abwehr von starken Schwankungen. Dies ist das eigentliche Kaufsignal ... :)
Nein, der Oszillator ist kein kollektives Bild, er ist real (im Keller):
Der Oszillator selbst + Punkte ist eine Prognose. Die Punkte erscheinen bei den ersten Ticks eines neuen Balkens. Aber das Auftauchen eines Punktes ist kein Signal für ein Geschäft - es ist nur eine Warnung. Die weitere Kursbewegung wird analysiert, und erst dann wird die Entscheidung über das Geschäft getroffen. Übrigens ist in diesem Chart auch ein Stop (rote Markierung) eingezeichnet, der in 98-99% der Fälle nicht durchbrochen wird - er dient der Abwehr von starken Schwankungen. Dies ist das eigentliche Kaufsignal ... :)
Nun, das ist rein Ihr System, und es hat nichts mit den Daten zu tun, die ich gegeben habe, weil Sie keine anderen Daten für die Analyse verwendet haben?
Ich hänge eine Datei an - bitte wenden Sie darauf das Modell an, das Sie zuvor trainiert haben - ich bin an dem Ergebnis interessiert.