文章 "运用人工智能实现的 Thomas DeMark 次序 (TD SEQUENTIAL)" - 页 2 12345678910 新评论 toxic 2017.03.29 19:01 #11 Mihail Marchukajtes: 你把训练文件发给我，我把模型发给你，然后进行测试并公布结果。行吗？ 没错！ 只有模型是以 "人性化 "的形式提供的，它是一个可执行文件（exe、jar），点击一下即可加载与训练数据集格式相同的测试数据集，点击另一下则可以选择路径，将结果保存在您需要的 csv 文件中。训练数据集将是带有分隔符","（逗号）的 csv，15 个特征和目标最后共 16 个，大约如此：..................-1.129204,-1.129167,0.282294,-2.280221,-13.081081,1.855654,0.163391,6.384071,0,0,0,-1.434602,1.165473,6.521727,0,10.141149,0.141149,1.411552,0,4.704501,0.001642,-1.564355,0,0,0,0,-36.086637,-0.156291,-10.859675,0.200637,10.282292,0.141146,0.423445,0,0.613683,-0.355847,-0.328989,-1.063462,3.190799,3.191211,0,4.071769,3.565043,20.779214,-2.33066,11.411447,0.282292,0.141146,0,-0.49115,1.463979,2.700361,-1.063508,-1.063462,3.190799,0,15.394189,0.511692,-7.217575,1.160668,11.975945,1.411447,0.282292,-1.14011,3.160372,2.471691,-5.125828,-2.127108,-1.063508,-1.063462,0,-10.655282,1.961731,9.919539,-0.581819,10.282257,0.564523,1.975945,2.280221,-7.463255,-0.013203,-3.919166,0,0,-2.127108,0,-1.451862,-0.3113,-5.870295,-1.00175,-1-0.705637,0.282257,0.564523,0,3.541205,0.261354,2.416635,0,0,0,0,3.18908,0.275705,13.998395,1.789844,-10,-0.282271,-1.270172,0,15.3989,4.815902,-1.18679,0,0,2.127291,0,-2.530371,-0.423919,6.862249,-0.031438,1-0.141131,1.27023,0,0,2.443412,-0.05624,-8.284345,0,0,0,0,-3.995578,0.231936,4.123271,0.620976,-1...............在附件中，既有 lern 也有 test（为方便起见），但我将在下一个交易日的对照测试中检查模型，这是您没有看到的。如果您在 lern(train.csv)上训练并在 test(test.csv)上实现准确率>=~65%，那么在我的对照测试上也会大致相同（-1%），....。所以说，雷舍托夫的分类器是个很酷的东西，他发布的分类器没有什么))))))。 附加的文件： data.zip 3772 kb Mihail Marchukajtes 2017.03.29 20:52 #12 toxic: 没错！ 只有模型以 "人性化 "的可执行文件（exe、jar）形式存在，点击一下即可加载与训练数据集格式相同的测试数据集，然后选择路径将结果保存为所需的 csv 格式。训练数据集将是带有分隔符","（逗号）的 csv 格式，有 15 个特征，最后的目标数据集大约有 16 个：..................-1.129204,-1.129167,0.282294,-2.280221,-13.081081,1.855654,0.163391,6.384071,0,0,0,-1.434602,1.165473,6.521727,0,10.141149,0.141149,1.411552,0,4.704501,0.001642,-1.564355,0,0,0,0,-36.086637,-0.156291,-10.859675,0.200637,10.282292,0.141146,0.423445,0,0.613683,-0.355847,-0.328989,-1.063462,3.190799,3.191211,0,4.071769,3.565043,20.779214,-2.33066,11.411447,0.282292,0.141146,0,-0.49115,1.463979,2.700361,-1.063508,-1.063462,3.190799,0,15.394189,0.511692,-7.217575,1.160668,11.975945,1.411447,0.282292,-1.14011,3.160372,2.471691,-5.125828,-2.127108,-1.063508,-1.063462,0,-10.655282,1.961731,9.919539,-0.581819,10.282257,0.564523,1.975945,2.280221,-7.463255,-0.013203,-3.919166,0,0,-2.127108,0,-1.451862,-0.3113,-5.870295,-1.00175,-1-0.705637,0.282257,0.564523,0,3.541205,0.261354,2.416635,0,0,0,0,3.18908,0.275705,13.998395,1.789844,-10,-0.282271,-1.270172,0,15.3989,4.815902,-1.18679,0,0,2.127291,0,-2.530371,-0.423919,6.862249,-0.031438,1-0.141131,1.27023,0,0,2.443412,-0.05624,-8.284345,0,0,0,0,-3.995578,0.231936,4.123271,0.620976,-1...............在附件中，既有 lern 也有 test（为方便起见），但我将在下一个交易日的对照测试中检查模型，这是您没有看到的。如果您在 lern(train.csv)上训练并在 test(test.csv)上实现准确率>=~65%，那么在我的对照测试上也会大致相同（-1%），....。所以说，雷舍托夫的分类器很酷，他应该白白把它公布出来）。 好吧，我们明天再继续聊，因为我承认我的电脑现在正在计数。而且时间已经不早了。明天!!!! Mihail Marchukajtes 2017.03.30 05:55 #13 我看了一下训练文件，它有 16 个输入，却有 6.5 万行。我就不说了，因为你在读这篇文章时没有理解主要论点。其中一个论点是，在 5 年的历史中，以分钟为单位分析市场的每一栏是乌托邦。换句话说，您是在试图为整个市场建立一个模型，因此要想获得良好的概括性是行不通的，因为根本就没有什么"圣杯"。 我建立的模型只有 30 行，涵盖了过去 2-3 个月 15 分钟的市场情况。因此，我得到的模型质量要好得多，但不能长期使用，最多只能使用两周，这对我来说就足够了。而你正在尝试为整个市场建立一个模型。这绝对是乌托邦。再读一遍这篇文章，但要仔细!!!!!。P.sy 我不会计算您的文件，因为这需要一周时间。这是对机器资源和时间的无用浪费。 Mihail Marchukajtes 2017.03.30 06:13 #14 我截取了 traine 文件的前 50 行，建立了模型，你可以自己检查效果如何。 Mihail Marchukajtes 2017.03.30 06:15 #15 遗憾的是，我无法附上存档。MQL 论坛始终处于最佳状态。不支持最常用的格式 :-( 我可以通过邮件发送。 Rashid Umarov 2017.03.30 08:18 #16 Mihail Marchukajtes: 遗憾的是，我无法附上存档。MQL 论坛始终处于最佳状态。不支持最常用的格式 :-( 我可以通过邮件发送。 ZIP 可以帮助您 Mihail Marchukajtes 2017.03.30 10:12 #17 toxic: 这不是几分钟，而是几秒钟，训练集来自两周的交易，测试集来自一天的交易，这是一个非常简化的版本，一个工具的日期，前面一秒最简单的预测，一个目标，我有一个模型训练这样的数据大约需要一分钟。30 行))))))))))))))))))))))))))))))))))))))))))))))))))呃-....我能告诉你什么...祝你好运！你绝对需要)))) 两星期秒杀 65000 行。我觉得是你需要好运。不，我是认真的。这种方法失败得一塌糊涂。虽然在您的 50条记录 中，我得到了 70% 的概括性数据。原则上，这些数据已经足够输出了。但不幸的是，如果您想在几秒钟内建立一个 TS，那么您并不了解游戏的本质：-)好吧，那我有个建议。根据我的建议建立一个 TS，用你自己的数据和人工智能来训练它，你会发现结果会比你的方法好得多。我不是认真的，选择一个 TS，（混合交叉）选择必要数量的输入。将数据保存在 "当日环境 "中，然后用它们训练您的人工智能，您将会大吃一惊。 好吧，我会尝试安装压缩包，我会扔掉压缩包，尽管我认为它对您毫无用处，因为模型是 MQL4 的代码形式，当然不是 exe 文件。你能搞定吗？ Mihail Marchukajtes 2017.03.30 10:16 #18 此外，今天的英镑，两个卖出信号都击中了同一个区域，我们可以看到第一个信号带来了减值。但由于两个信号都落在同一区域，为了从第二个信号中获利，必须反其道而行之。这就是逆向信号，在这种情况下，我们得到了一个反模型。从表面上看，结果是!!!!！我的 30 个信号覆盖了大约两个月的市场，请自行判断。这有它自己的好处，信号不会像滚雪球一样出现，而是我们提前预料到了。 Mihail Marchukajtes 2017.03.30 10:30 #19 这是我今天早上制作的模型，你可以看看。 附加的文件： 222.zip 473 kb Nextor 2017.03.30 11:33 #20 阅读。 你决定发布你的 TS 并大致解释其工作原理，还解释了一些理论，说明了你对神经网络与外汇市场直接相关的工作的看法，这一点做得很好。不过，文章中太多的 "交易者可以猜测"、"交易者应该根据自己的经验做出决定 "等等。对于如此响亮的文章标题来说，所有这些都非常模糊。据我所知，您不是程序员，否则这篇文章就会更翔实、更系统，您也会完善您的 TS，使您不会反转仓位。然后，你就会发布在测试器中交易一两年的结果，每两周对网络进行一次预训练。反转的风险始终由您自己承担，没有明确的算法--这是一个很大的缺点。这甚至不是一篇关于神经网络的文章，它只是对你的 TC 的描述。我希望能有更多的具体内容，更多关于所提议的神经网络的详细工作、测试样本示例、训练示例、训练后的工作示例。 这里不需要元论文章，反正初学者永远也做不对，知识渊博的人对此也不感兴趣。长期从事外汇交易、了解编程的人通常会寻找一个有趣的想法，并详细解释为什么它是一个好想法、它是如何工作的以及如何使用它。然后，他们根据自己的要求对其进行调整，并将其构建到自己的智能交易系统、指标等中。例如，我有一个基于 Kohonen 神经网络的 C++ 数据集群器：其中，左边的图片是原始数据，右边的图片是聚类后的数据，每个类中都有两位数的类名符号、类中的最小距离以及通向定义类的神经元的 5 条线。该网络由 7*7 个神经元组成。总共有 49 个类。您没有提供一个例子，说明输入数据的具体内容和格式、输出结果、学习算法描述等。 12345678910 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
你把训练文件发给我，我把模型发给你，然后进行测试并公布结果。行吗？
没错！
只有模型是以 "人性化 "的形式提供的，它是一个可执行文件（exe、jar），点击一下即可加载与训练数据集格式相同的测试数据集，点击另一下则可以选择路径，将结果保存在您需要的 csv 文件中。
训练数据集将是带有分隔符","（逗号）的 csv，15 个特征和目标最后共 16 个，大约如此：
..................
-1.129204,-1.129167,0.282294,-2.280221,-13.081081,1.855654,0.163391,6.384071,0,0,0,-1.434602,1.165473,6.521727,0,1
0.141149,0.141149,1.411552,0,4.704501,0.001642,-1.564355,0,0,0,0,-36.086637,-0.156291,-10.859675,0.200637,1
0.282292,0.141146,0.423445,0,0.613683,-0.355847,-0.328989,-1.063462,3.190799,3.191211,0,4.071769,3.565043,20.779214,-2.33066,1
1.411447,0.282292,0.141146,0,-0.49115,1.463979,2.700361,-1.063508,-1.063462,3.190799,0,15.394189,0.511692,-7.217575,1.160668,1
1.975945,1.411447,0.282292,-1.14011,3.160372,2.471691,-5.125828,-2.127108,-1.063508,-1.063462,0,-10.655282,1.961731,9.919539,-0.581819,1
0.282257,0.564523,1.975945,2.280221,-7.463255,-0.013203,-3.919166,0,0,-2.127108,0,-1.451862,-0.3113,-5.870295,-1.00175,-1
-0.705637,0.282257,0.564523,0,3.541205,0.261354,2.416635,0,0,0,0,3.18908,0.275705,13.998395,1.789844,-1
0,-0.282271,-1.270172,0,15.3989,4.815902,-1.18679,0,0,2.127291,0,-2.530371,-0.423919,6.862249,-0.031438,1
-0.141131,1.27023,0,0,2.443412,-0.05624,-8.284345,0,0,0,0,-3.995578,0.231936,4.123271,0.620976,-1
...............
在附件中，既有 lern 也有 test（为方便起见），但我将在下一个交易日的对照测试中检查模型，这是您没有看到的。如果您在 lern(train.csv)上训练并在 test(test.csv)上实现准确率>=~65%，那么在我的对照测试上也会大致相同（-1%），....。所以说，雷舍托夫的分类器是个很酷的东西，他发布的分类器没有什么))))))。
没错！
只有模型以 "人性化 "的可执行文件（exe、jar）形式存在，点击一下即可加载与训练数据集格式相同的测试数据集，然后选择路径将结果保存为所需的 csv 格式。
训练数据集将是带有分隔符","（逗号）的 csv 格式，有 15 个特征，最后的目标数据集大约有 16 个：
..................
-1.129204,-1.129167,0.282294,-2.280221,-13.081081,1.855654,0.163391,6.384071,0,0,0,-1.434602,1.165473,6.521727,0,1
0.141149,0.141149,1.411552,0,4.704501,0.001642,-1.564355,0,0,0,0,-36.086637,-0.156291,-10.859675,0.200637,1
0.282292,0.141146,0.423445,0,0.613683,-0.355847,-0.328989,-1.063462,3.190799,3.191211,0,4.071769,3.565043,20.779214,-2.33066,1
1.411447,0.282292,0.141146,0,-0.49115,1.463979,2.700361,-1.063508,-1.063462,3.190799,0,15.394189,0.511692,-7.217575,1.160668,1
1.975945,1.411447,0.282292,-1.14011,3.160372,2.471691,-5.125828,-2.127108,-1.063508,-1.063462,0,-10.655282,1.961731,9.919539,-0.581819,1
0.282257,0.564523,1.975945,2.280221,-7.463255,-0.013203,-3.919166,0,0,-2.127108,0,-1.451862,-0.3113,-5.870295,-1.00175,-1
-0.705637,0.282257,0.564523,0,3.541205,0.261354,2.416635,0,0,0,0,3.18908,0.275705,13.998395,1.789844,-1
0,-0.282271,-1.270172,0,15.3989,4.815902,-1.18679,0,0,2.127291,0,-2.530371,-0.423919,6.862249,-0.031438,1
-0.141131,1.27023,0,0,2.443412,-0.05624,-8.284345,0,0,0,0,-3.995578,0.231936,4.123271,0.620976,-1
...............
在附件中，既有 lern 也有 test（为方便起见），但我将在下一个交易日的对照测试中检查模型，这是您没有看到的。如果您在 lern(train.csv)上训练并在 test(test.csv)上实现准确率>=~65%，那么在我的对照测试上也会大致相同（-1%），....。所以说，雷舍托夫的分类器很酷，他应该白白把它公布出来）。
好吧，我们明天再继续聊，因为我承认我的电脑现在正在计数。而且时间已经不早了。明天!!!!
我看了一下训练文件，它有 16 个输入，却有 6.5 万行。我就不说了，因为你在读这篇文章时没有理解主要论点。其中一个论点是，在 5 年的历史中，以分钟为单位分析市场的每一栏是乌托邦。换句话说，您是在试图为整个市场建立一个模型，因此要想获得良好的概括性是行不通的，因为根本就没有什么"圣杯"。 我建立的模型只有 30 行，涵盖了过去 2-3 个月 15 分钟的市场情况。因此，我得到的模型质量要好得多，但不能长期使用，最多只能使用两周，这对我来说就足够了。而你正在尝试为整个市场建立一个模型。这绝对是乌托邦。再读一遍这篇文章，但要仔细!!!!!。
P.sy 我不会计算您的文件，因为这需要一周时间。这是对机器资源和时间的无用浪费。
我截取了 traine 文件的前 50 行，建立了模型，你可以自己检查效果如何。
遗憾的是，我无法附上存档。MQL 论坛始终处于最佳状态。不支持最常用的格式 :-( 我可以通过邮件发送。
这不是几分钟，而是几秒钟，训练集来自两周的交易，测试集来自一天的交易，这是一个非常简化的版本，一个工具的日期，前面一秒最简单的预测，一个目标，我有一个模型训练这样的数据大约需要一分钟。
30 行))))))))))))))))))))))))))))))))))))))))))))))))))呃-....我能告诉你什么...祝你好运！你绝对需要))))
两星期秒杀 65000 行。我觉得是你需要好运。不，我是认真的。这种方法失败得一塌糊涂。虽然在您的 50条记录 中，我得到了 70% 的概括性数据。原则上，这些数据已经足够输出了。但不幸的是，如果您想在几秒钟内建立一个 TS，那么您并不了解游戏的本质：-)好吧，那我有个建议。根据我的建议建立一个 TS，用你自己的数据和人工智能来训练它，你会发现结果会比你的方法好得多。我不是认真的，选择一个 TS，（混合交叉）选择必要数量的输入。将数据保存在 "当日环境 "中，然后用它们训练您的人工智能，您将会大吃一惊。 好吧，我会尝试安装压缩包，我会扔掉压缩包，尽管我认为它对您毫无用处，因为模型是 MQL4 的代码形式，当然不是 exe 文件。你能搞定吗？
此外，今天的英镑，两个卖出信号都击中了同一个区域，我们可以看到第一个信号带来了减值。但由于两个信号都落在同一区域，为了从第二个信号中获利，必须反其道而行之。这就是逆向信号，在这种情况下，我们得到了一个反模型。从表面上看，结果是!!!!！我的 30 个信号覆盖了大约两个月的市场，请自行判断。
这有它自己的好处，信号不会像滚雪球一样出现，而是我们提前预料到了。
这是我今天早上制作的模型，你可以看看。
阅读。
你决定发布你的 TS 并大致解释其工作原理，还解释了一些理论，说明了你对神经网络与外汇市场直接相关的工作的看法，这一点做得很好。
不过，文章中太多的 "交易者可以猜测"、"交易者应该根据自己的经验做出决定 "等等。对于如此响亮的文章标题来说，所有这些都非常模糊。
据我所知，您不是程序员，否则这篇文章就会更翔实、更系统，您也会完善您的 TS，使您不会反转仓位。
然后，你就会发布在测试器中交易一两年的结果，每两周对网络进行一次预训练。
反转的风险始终由您自己承担，没有明确的算法--这是一个很大的缺点。
这甚至不是一篇关于神经网络的文章，它只是对你的 TC 的描述。
我希望能有更多的具体内容，更多关于所提议的神经网络的详细工作、测试样本示例、训练示例、训练后的工作示例。
这里不需要元论文章，反正初学者永远也做不对，知识渊博的人对此也不感兴趣。长期从事外汇交易、了解编程的人通常会寻找一个有趣的想法，并详细解释为什么它是一个好想法、它是如何工作的以及如何使用它。然后，他们根据自己的要求对其进行调整，并将其构建到自己的智能交易系统、指标等中。
例如，我有一个基于 Kohonen 神经网络的 C++ 数据集群器：
其中，左边的图片是原始数据，右边的图片是聚类后的数据，每个类中都有两位数的类名符号、类中的最小距离以及通向定义类的神经元的 5 条线。该网络由 7*7 个神经元组成。总共有 49 个类。
您没有提供一个例子，说明输入数据的具体内容和格式、输出结果、学习算法描述等。