안녕하세요! 저는 기계 학습을 처음 접하고 질문이 있습니다. 시장에 많은 혼란이 있는 동안 지그재그로 또는 단순히 다음 촛불의 증분을 통해 가격의 방향을 정확히 예측하려고 하는 이유는 무엇입니까? , 가격이 "걸을" 수 있는 특정 회랑을 예측에 포함해야 합니다. 경매의 결과를 대상에 대해 취하는 것이 더 효과적일 것 같습니다. 예를 들어, 훈련 중에 이상적인 소득 곡선을 고려하고 목표를 이상에서 15% 이상 벗어나지 않는 것으로 지정하거나 다른 옵션으로 회복 계수를 고려하여 n 아래로 떨어지지 않도록 지정합니다. , 이러한 목표는 시장 데이터에 대해 더 유연할 것입니다. 그리고 가장 흥미로운 점은 예를 들어 동일한 랜덤 포레스트에 대해 이 형식으로 함수를 구현하는 방법입니다.
mytarmails : 안녕하세요! 저는 기계 학습을 처음 접하고 질문이 있습니다. 시장에 많은 혼란이 있는 동안 지그재그로 또는 단순히 다음 촛불의 증분을 통해 가격의 방향을 정확히 예측하려고 하는 이유는 무엇입니까? , 가격이 "걸을" 수 있는 특정 회랑을 예측에 포함해야 합니다. 경매의 결과를 대상에 대해 취하는 것이 더 효과적일 것 같습니다. 예를 들어, 훈련 중에 이상적인 소득 곡선을 고려하고 목표를 이상에서 15% 이상 벗어나지 않는 것으로 지정하거나 다른 옵션으로 회복 계수를 고려하여 n 아래로 떨어지지 않도록 지정합니다. , 이러한 목표는 시장 데이터에 대해 더 유연할 것입니다. 그리고 가장 흥미로운 점은 예를 들어 동일한 랜덤 포레스트에 대해 이 형식으로 함수를 구현하는 방법입니다.
알렉세이 버나코프 : 오류가 있는 거래 시 선의 기울기는 이상적이지 않습니다. 당신은 회색으로 거래를 묘사했으며, 로트의 증가는 계획된 각도로의 복귀일 가능성이 가장 높습니다.
즉, 가격의 방향을 예측하기 위한 거래인데, 오류가 누적되면 시스템이 어떻게든 플러스에서 더 자주 작동하기 시작합니다.
이해가 안 가네요)) 제비뽑기가 없고, 강화되는 시스템이 없어요), 랜덤으로 생성된 날짜입니다.. 물론 제 주관적인 생각으로는 지그재그보다 더 잘 작동해야 하는 대상만 그렸지만, 나는 이것을 구현하는 방법을 모릅니다. 아마도 누군가가 당신에게 말할 것이라고 생각했습니다.
mytarmailS : 이해가 안 가네요)) 제비뽑기가 없고, 강화되는 시스템이 없어요), 랜덤으로 생성된 날짜입니다.. 물론 제 주관적인 생각으로는 지그재그보다 더 잘 작동해야 하는 대상만 그렸지만, 나는 이것을 구현하는 방법을 모릅니다. 아마도 누군가가 당신에게 말할 것이라고 생각했습니다.
나도 당신을 이해할 수 없습니다.
귀하의 회색 곡선은 항상 높은 기울기 선으로 돌아가기 위해 가변 로트를 사용하여 거래하는 것과 같습니다.
항상 무역선의 경사각이 하나인 마틴과 같습니다.
실제로 이렇게 거래하는 것은 현실적이지 않습니다. 오류가 있는 경우(거래 손실) 실제 곡선은 0에 훨씬 더 가깝습니다.
목표가 어떻게 구현되는지도 명확하지 않습니다. 이러한 유형의 시계열 은 거래가 항상 마이너스가 누적된 후 플러스로 돌아올 때만 가능합니다. 이것은 적어도 표준적인 방법으로 훈련에 거의 불가능합니다.
다시 시작하겠습니다. 표준 목적 함수가 있습니다. 이것은 이동 방향을 나타내는 벡터입니다. 지그재그로 설명하거나 촛불을 다음 닫으면 벡터는 일반적으로 1110000111 또는 -1-1로 변환됩니다. -11111
그래서 나는 할 수 있지만 내 생각에는 그러한 접근 방식에 결함이 있습니다.
나는 이것을 제안합니다: 훈련 중 알고리즘이 어떻게든 거래(회색 그래프)를 모방하고 그것을 이길 수 있는 이상적인 소득(검은색 그래프)과 비교하게 하십시오. 즉, 알고리즘은 다음 가격을 예측하려고 시도하지 않고 단순히 녹색선을 넘지 않으려고 합니다. 그것이 내가 차트에 보여주려고 한 전부입니다.
질문: 내가 본 모든 알고리즘(신경, RF ...)이 11100011의 대상 벡터 형태를 원하기 때문에 이것을 구현할 수 있습니까?
다시 시작하겠습니다. 표준 목적 함수가 있습니다. 이것은 이동 방향을 나타내는 벡터입니다. 지그재그로 설명하거나 촛불을 다음 닫으면 벡터는 일반적으로 1110000111 또는 -1-1로 변환됩니다. -11111
그래서 나는 그것을 할 수 있지만 내 생각에는 그러한 접근 방식에 결함이 있습니다.
나는 이것을 제안합니다: 훈련 중 알고리즘이 어떻게든 거래(회색 그래프)를 모방하고 그것을 이길 수 있는 이상적인 소득(검은색 그래프)과 비교하게 하십시오. 즉, 알고리즘은 다음 가격을 예측하려고 시도하지 않고 단순히 녹색선을 넘지 않으려고 합니다. 그것이 내가 차트에 보여주려고 한 전부입니다.
질문: 내가 본 모든 알고리즘(신경, RF ...)이 11100011의 대상 벡터 형태를 원하기 때문에 이것을 구현할 수 있습니까?
고맙습니다. 나는 당신을 즉시 이해했습니다. 그것은 단지 표준 구현이 아닙니다.
임의의 숲을 가져 가라. 당신은 이 기계 학습 방법에 익숙할 것입니다.
이것은 한 방향으로만 작동할 수 있습니다. 출력에 이진 변수가 있는 경우 각 입력에 대한 결정 포리스트는 단순히 출력 클래스 중 하나의 왜곡이 통계적으로 더 큰 값 범위를 어리석게도 찾습니다. 그리고 반복적으로 이것은 모든 변수에 대해 수행됩니다.
기계가 이상과 실제 거래 정확도의 편차를 고려하도록 하려면 클래스의 왜곡을 기반으로 하지 않고 그에 따라 결정 영역을 선택해야 합니다. 동시에 이상적인 무역의 편차의 동적 변화를 고려할 필요가 있으며 이는 표준 방식으로도 실현 가능하지 않습니다. 이를 위해 기계는 완벽한 거래에 대한 데이터를 동적으로 제출해야 합니다. 이렇게 하려면 메서드를 다시 작성해야 합니다. 표준 도구로는 할 수 없습니다.
동일한 그래디언트 함수가 있습니다. 표준 포리스트의 경우 그라디언트가 고유한 방식으로 설정됩니다. 이상과의 거래 편차를 최적화해야 하는 경우 완전히 다른 기울기가 됩니다. 왠지 개인적으로 무릎에 바로 쓸 수는 없을 것 같아요.
안녕하세요! 저는 기계 학습을 처음 접하고 질문이 있습니다. 시장에 많은 혼란이 있는 동안 지그재그로 또는 단순히 다음 촛불의 증분을 통해 가격의 방향을 정확히 예측하려고 하는 이유는 무엇입니까? , 가격이 "걸을" 수 있는 특정 회랑을 예측에 포함해야 합니다. 경매의 결과를 대상에 대해 취하는 것이 더 효과적일 것 같습니다. 예를 들어, 훈련 중에 이상적인 소득 곡선을 고려하고 목표를 이상에서 15% 이상 벗어나지 않는 것으로 지정하거나 다른 옵션으로 회복 계수를 고려하여 n 아래로 떨어지지 않도록 지정합니다. , 이러한 목표는 시장 데이터에 대해 더 유연할 것입니다. 그리고 가장 흥미로운 점은 예를 들어 동일한 랜덤 포레스트에 대해 이 형식으로 함수를 구현하는 방법입니다.
안녕하세요!
왼쪽은 가격의 한 유형이고 오른쪽은 검은색이 이상적인 균형 곡선(얻을 수 있는 모든 것)이고 녹색은 이상적인 곡선에서 특정 범위(복도)입니다. 거래에 입력하지 말아야 할 잔액 회색은 실제 거래 유형의 잔액을 나타냅니다.
따라서 목표의 본질은 벡터 11100001111100의 형태로 가격과 목표를 예측하는 것이 아니라 회색선이 녹색을 넘지 않는 특정 상태를 찾는 것입니다.
하지만 스스로 하는 방법을 몰라서 토론을 원합니다)
안녕하세요!
왼쪽은 가격의 한 유형이고 오른쪽은 검은색이 이상적인 균형 곡선(얻을 수 있는 모든 것)이고 녹색은 이상적인 곡선에서 특정 범위(복도)입니다. 거래에 입력하지 말아야 할 잔액 회색은 실제 거래 유형의 잔액을 나타냅니다.
따라서 목표의 본질은 벡터 11100001111100의 형태로 가격과 목표를 예측하는 것이 아니라 회색선이 녹색을 넘지 않는 특정 상태를 찾는 것입니다.
하지만 직접 하는 방법을 몰라서 토론을 원합니다)
오류가 있는 거래 시 선의 기울기는 이상적이지 않습니다. 당신은 회색으로 거래를 묘사했으며, 로트의 증가는 계획된 각도로의 복귀일 가능성이 가장 높습니다.
이해가 안 가네요)) 제비뽑기가 없고, 강화되는 시스템이 없어요), 랜덤으로 생성된 날짜입니다.. 물론 제 주관적인 생각으로는 지그재그보다 더 잘 작동해야 하는 대상만 그렸지만, 나는 이것을 구현하는 방법을 모릅니다. 아마도 누군가가 당신에게 말할 것이라고 생각했습니다.
나도 당신을 이해할 수 없습니다.
귀하의 회색 곡선은 항상 높은 기울기 선으로 돌아가기 위해 가변 로트를 사용하여 거래하는 것과 같습니다.
항상 무역선의 경사각이 하나인 마틴과 같습니다.
실제로 이렇게 거래하는 것은 현실적이지 않습니다. 오류가 있는 경우(거래 손실) 실제 곡선은 0에 훨씬 더 가깝습니다.
목표가 어떻게 구현되는지도 명확하지 않습니다. 이러한 유형의 시계열 은 거래가 항상 마이너스가 누적된 후 플러스로 돌아올 때만 가능합니다. 이것은 적어도 표준적인 방법으로 훈련에 거의 불가능합니다.
예, 이것은 시스템이 아니라 예시입니다.))) 거기에는 거래가 없습니다.
죄송합니다. 제가 생각을 표현하는 데 서툴 것 같습니다.
여기 코드가 있습니다
가격 <- cumsum(rnorm(200))+1000
par(mfrow=c(1,2))
플롯(가격,t="l",,lwd=2)
PD <- c(0,diff(PRICE))
발<-PD
(i in 1:length(PD)){
if(BAL[i] < 0) BAL[i] <- BAL[i]/-1
}
BAL <- cumsum(BAL)
낮은BAL <- BAL - 50
플롯(BAL,t="l",lwd=3)
라인(lowBAL,t="b",col="녹색")
realBAL <- BAL+rnorm(200,sd = 20)
라인(realBAL,t="l",col="회색")
다시 시작하겠습니다. 표준 목적 함수가 있습니다. 이것은 이동 방향을 나타내는 벡터입니다. 지그재그로 설명하거나 촛불을 다음 닫으면 벡터는 일반적으로 1110000111 또는 -1-1로 변환됩니다. -11111
그래서 나는 할 수 있지만 내 생각에는 그러한 접근 방식에 결함이 있습니다.
나는 이것을 제안합니다: 훈련 중 알고리즘이 어떻게든 거래(회색 그래프)를 모방하고 그것을 이길 수 있는 이상적인 소득(검은색 그래프)과 비교하게 하십시오. 즉, 알고리즘은 다음 가격을 예측하려고 시도하지 않고 단순히 녹색선을 넘지 않으려고 합니다. 그것이 내가 차트에 보여주려고 한 전부입니다.
질문: 내가 본 모든 알고리즘(신경, RF ...)이 11100011의 대상 벡터 형태를 원하기 때문에 이것을 구현할 수 있습니까?
예, 이것은 시스템이 아니라 예시입니다.))) 거기에는 거래가 없습니다.
죄송합니다. 제가 생각을 표현하는 데 서툴 것 같습니다.
여기 코드가 있습니다
가격 <- cumsum(rnorm(200))+1000
par(mfrow=c(1,2))
플롯(가격,t="l",,lwd=2)
PD <- c(0,diff(PRICE))
발<-PD
(i in 1:length(PD)){
if(BAL[i] < 0) BAL[i] <- BAL[i]/-1
}
BAL <- cumsum(BAL)
낮은BAL <- BAL - 50
플롯(BAL,t="l",lwd=3)
라인(lowBAL,t="b",col="녹색")
realBAL <- BAL+rnorm(200,sd = 20)
라인(realBAL,t="l",col="회색")
다시 시작하겠습니다. 표준 목적 함수가 있습니다. 이것은 이동 방향을 나타내는 벡터입니다. 지그재그로 설명하거나 촛불을 다음 닫으면 벡터는 일반적으로 1110000111 또는 -1-1로 변환됩니다. -11111
그래서 나는 그것을 할 수 있지만 내 생각에는 그러한 접근 방식에 결함이 있습니다.
나는 이것을 제안합니다: 훈련 중 알고리즘이 어떻게든 거래(회색 그래프)를 모방하고 그것을 이길 수 있는 이상적인 소득(검은색 그래프)과 비교하게 하십시오. 즉, 알고리즘은 다음 가격을 예측하려고 시도하지 않고 단순히 녹색선을 넘지 않으려고 합니다. 그것이 내가 차트에 보여주려고 한 전부입니다.
질문: 내가 본 모든 알고리즘(신경, RF ...)이 11100011의 대상 벡터 형태를 원하기 때문에 이것을 구현할 수 있습니까?
고맙습니다. 나는 당신을 즉시 이해했습니다. 그것은 단지 표준 구현이 아닙니다.
임의의 숲을 가져 가라. 당신은 이 기계 학습 방법에 익숙할 것입니다.
이것은 한 방향으로만 작동할 수 있습니다. 출력에 이진 변수가 있는 경우 각 입력에 대한 결정 포리스트는 단순히 출력 클래스 중 하나의 왜곡이 통계적으로 더 큰 값 범위를 어리석게도 찾습니다. 그리고 반복적으로 이것은 모든 변수에 대해 수행됩니다.
기계가 이상과 실제 거래 정확도의 편차를 고려하도록 하려면 클래스의 왜곡을 기반으로 하지 않고 그에 따라 결정 영역을 선택해야 합니다. 동시에 이상적인 무역의 편차의 동적 변화를 고려할 필요가 있으며 이는 표준 방식으로도 실현 가능하지 않습니다. 이를 위해 기계는 완벽한 거래에 대한 데이터를 동적으로 제출해야 합니다. 이렇게 하려면 메서드를 다시 작성해야 합니다. 표준 도구로는 할 수 없습니다.
동일한 그래디언트 함수가 있습니다. 표준 포리스트의 경우 그라디언트가 고유한 방식으로 설정됩니다. 이상과의 거래 편차를 최적화해야 하는 경우 완전히 다른 기울기가 됩니다. 왠지 개인적으로 무릎에 바로 쓸 수는 없을 것 같아요.