文章 "运用人工智能实现的 Thomas DeMark 次序 (TD SEQUENTIAL)" - 页 3

新评论
 
Nexxtor:

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加翔实、系统，您也会完善您的 TS，从而避免仓位反转。

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，每个类都标有两位数的类名，以及类中的最小距离。网络由 7 个神经元组成。总共有 49 个类别。

你没有提供一个例子，没有说明输入数据的具体内容和格式、输出结果等，也没有说明学习算法等。


感谢您的关注。我在前一页发布了优化器的描述。这里有作者本人撰写的优化器组织结构的链接。

我使用 MQL4 进行编程。所有网格都在文章所附的文件中。问题的关键是，我们的任务是构建这样一个多项式，它具有输出变量广义化的效果。多项式本身可能并不大，最重要的是它了解市场的本质。我与它步调一致。

由于分类器将样本分为两个区域。因此，我们只比较最后两个信号，了解前一个信号的结果，看看当前信号属于哪一组，就能得出一定的结论。

是的，这篇文章确实有点枯燥，但其实质是让读者熟悉建立交易系统的 METHOD。尝试将 "当日背景 "应用到您的 TS 中，培训内容很可能包括当日出现的信号。

关于反转，我在文章中解释了如何实现。

看一下输入，不难猜出输入使用的是什么数据。退出是根据利润来组织的。

我要告诉你一个秘密，只有你自己知道....。好????

 

问题的关键是，没有 NS 也是可以做到的，而且非常简单。

有一个 "三角剖面 "的概念。当我们接收到一个信号并知道它的窗口时。我们需要为这个窗口建立一个 delta 曲线。如果 "当日背景 "与成交量和 OI 相吻合，即两者同时上升或下降，那么我们就根据 delta 剖面移动，如果买入窗口中最大成交量的 delta 剖面为正值，那么我们就买入，如果为负值，那么我们就认为该买入信号为 "假"。但如果 "当日背景 "不同。也就是说，成交量下降了，但 OI 增加了。那么我们就需要从相反的方向入手。通常在这种情况下，价格会从负 delta 曲线上升，从正 delta 曲线下降。这就是一团糟。这里不需要任何 "N"，一切都运行得很好。因为 Sequenta 本身是自适应的，而 delta 曲线也是价格变化的原因。遗憾的是，在某个窗口中没有 delta 剖面指标，因此 TS 的工作虽然不错，但不是很好。但如果能在 EA 的输入中提供这些数据，问题就会迎刃而解。

如果希望根据条件编写智能交易系统，我们可以尝试，但窗口中的 delta 剖面问题应该以某种方式解决.....。

 
toxic:

不是每个样本都是一秒，只有那些有目标的样本才是一秒，但我能向您解释什么呢...... 我的 "锐利比率 "三年来从未低于 3，这是因为我经常重做一切，重组并由此进行大量的系统转换，而在当前的模型上，在实际操作中，我有 8 个 "锐利比率"。 所以，请告诉别人您在 "今天的背景 "下的 30 行。

当然，你可以把你的数据集拿出来，这总是很有趣的，但我会马上告诉你，在量化超过一分钟的情况下，市场上已经很久没有鱼了（除了经典的内幕），而且我也有相当有效的检测过度训练的技术，我的系统 "30 个样本 "不会认真对待，它会说 "数据不够"。

你熟悉统计学吗？你听说过中心极限定理吗？关于最小样本量，在准正态分布的情况下， 30 个样本是样本潜在代表性的最小临界值，对于一张图来说，从 200 -t 开始更好。在万用表中，最小样本量极限为 30^(D\2)，其中D 是样本数。

在我看来，您正在做一个简单的拟合，先生，放弃这个没有前途的活动，有越来越少的肉，很快就会像在 "发达国家 "合格的投资者和所有的，吸盘将不允许进入市场，你将不得不直接与对冲基金和机构，而那些不是30行学习他们的模型，你会被抢劫这种方法))))。


我看到你和我在市场上有不同的工作方法。我不会改变任何人的想法，也不会证明什么。不过，多项式构造的含义是用一条通用线划分多维空间的能力，它将在一定时期内保持其效率。

您是否知道，我的训练文件中大约有 100 列或输入，我将把它公布出来，我想看看您的人工智能将如何在此基础上建立模型。如果您愿意!!!!!！

关于拟合，我想说的是，我只考虑样本外部分的数据并分析模型的工作，至于拟合的内容，我并不了解.....。
附加的文件：
p77r_dsyotjs.txt  19 kb
 
同样，在如此长的时期内，夏普比率如此之高，为什么我没有在《福布斯》杂志上看到你？所以.....，只是好奇!!!!
 
大家好，很久以前我就对 neuronka 非常感兴趣，现在我也认为在它的背后已经有了未来和现在，当然还有它自己的特殊性，我对 neuronka 的本质有这样一个疑问，如果我理解正确的话，在教它某些算法时，它会在未来寻找类似的算法，并在它们的基础上进行交易，当然在市场的数字和结构运动中从来都不是完全相同的，总是会有一些变化，例如，在一个市场中，一个信号会被重复 100 次，但在 100 次中自然只有少量会带来利润，其余的都是负数。例如，一个信号发出后，在历史上会重复 100 次，但 100 次中自然只有一小部分会带来利润，其余的都是负数。什么是明确的信号，即在任何指标的特定设置下，neuronka 应该在历史中找到这种重复，从而产生积极的效益。也就是说，任何一个指标，在娴熟的手中都有盈利和不盈利之分，为什么不在一个策略中交叉使用 1 个或多个指标，通过 neuronka 选择最佳调整结果，而不是推导出最佳结果并在此基础上进一步交易呢？有没有人可以做到这一点或可以做到这一点，我会参与。
 
alexsandr11:
大家好，很久以前我就对 neuronka 非常感兴趣，现在我也认为在它的背后已经有了未来和现在，当然还有它自己的特殊性，我对 neuronka 的本质有这样一个疑问，如果我理解正确的话，在教它某些算法时，它会在未来寻找类似的算法，并在它们的基础上进行交易，当然在市场的数字和结构运动中从来都不是完全相同的，总是会有一些变化，例如，在一个市场中，一个信号会被重复 100 次，但在 100 次中自然只有少量会带来利润，其余的都是负数。例如，一个信号发出后，在历史上会重复 100 次，但 100 次中自然只有一小部分会带来利润，其余的都是负数。什么是明确的信号，即在任何指标的特定设置下，neuronka 应该在历史中找到这种重复，从而产生积极的效益。也就是说，任何一个指标，在娴熟的人手中都有盈利和不盈利之分，为什么不在一个策略中交叉使用 1 个或多个指标，通过 neuronka 选择最佳调整结果，而不是推导出最佳结果并在此基础上进一步交易呢？有谁能做这样的事情，或者谁能做到，我愿意参与。

您说得非常对，当网络在未来寻找模式、研究模式，然后在未来采取同样的行动时，它是有变体的。但是，要想在过去找到一个可以明确解释的模式是非常困难的。也就是说，在过去的 100 个模式（一个相同的模式）中，50 个会给出加号，50 个会给出减号。然后呢？NS 应该怎么做？在准备数据时，重要的是在相同模式产生不同结果时不出现矛盾。因此，概括过程是一种解决方案，即在出现一种模式时，根据输入的信息对信号的真假做出结论。
 
Mihail Marchukajtes:


在我看来，你我的市场工作方法大相径庭。我不想改变任何人的想法，也不想证明什么。我已经阐述了方法的精髓和改进策略的可能性，希望对某些人有用（当然不是对你有用，我还能说什么呢）。 然而，建立多项式的意义在于能够用一条普遍线划分多维空间，并在一定时期内保持其功能。

您是否知道，我的训练文件中有大约 100 列或输入，我将把它公布出来，我想看看您的人工智能将如何在此基础上建立模型。如果您愿意!!!!!！

关于拟合，我会告诉你，我只考虑样本外参与者的数据并分析模型的工作，至于拟合是什么，我不明白.....。

请原谅我的冒犯，我很少在论坛和社交网络上交流，所以有时 会 表现得不太政治正确。如果您愿意，可以删除或编辑对我刺耳帖子的回复和引用。

感谢您分享了您的方法，在我们的行业中，即使方法是原创的也很少见，实际上必须是原创的。在这里，您必须具有原创性和创造性))))))。

关于您发布的第二个数据集，我无话可说，因为 100 个芯片至少需要 1 万个样本进行训练，至少需要 1 千个样本进行测试，这才能说明问题。但我的模型既能处理一个芯片，也能处理 10k 个芯片。

我将输出上面的线性模型，在 50 个样本上进行训练，晚上我将进行检查，纯粹是为了实验，不过我认为在 14k 测试样本 上 给出至少 51% 的概率接近于零。

如果你愿意，我会把结果公布出来。

 
toxic:

请原谅我的轻微冒犯，我很少在论坛和社交媒体上互动，所以有时 可能 表现得不够政治正确。

谢谢你分享了你的方法，在我们的行业中，即使方法很特别，也是很少见的，事实上，它必须是特别的，否则，如果我们互相抢夺，抢夺玩偶，那还怎么做呢？在这里，您必须具有独创性和创造性))))))。

对于您发布的第二个数据集，我无话可说，唉，100 个芯片至少需要 1 万个样本进行训练，至少需要 1 千个样本进行测试，这样才能说明问题。

我将输出上面的线性模型，在 50 个样本上进行训练，晚上我将进行检查，纯粹是为了实验，不过我认为它 在 14k 测试样本 上 给出至少 51% 的概率接近于零。

如果你愿意，我会把结果公布出来。


一定要公布。我会很高兴的有趣的结果.....
 
toxic:

请原谅我的轻微冒犯，我很少在论坛和社交媒体上互动，所以有时 可能 表现得不够政治正确。

谢谢你分享了你的方法，在我们的行业中，即使方法很特别，也是很少见的，事实上，它必须是特别的，否则，如果我们互相抢夺，抢夺玩偶，那还怎么做呢？在这里，您必须具有独创性和创造性))))))。

关于您发布的第二个数据集，我无话可说，因为100 个芯片至少需要 1 万个样本 进行训练，至少需要 1 千个样本 进行测试，这才能说明问题。但我的模型可以同时处理一个特征和 10k 个特征。

我将输出上面的线性模型，在 50 个样本上进行训练，晚上我将检查一下，只是为了做个实验，虽然我认为在 14k 测试样本 上 至少能得到 51% 的概率接近于零。

如果你愿意，我可以把结果贴出来。


定义有点不清楚，但我注意到，对于 100 乘 100 的矩阵，当我们有 100 列（输入）和 100 条记录（信号）时，模型的通用性就会提高。也就是说，100 X 100 矩阵的训练效果比 10X100 矩阵好，比 100X10 矩阵差。也就是说，当输入的数量大大超过信号的数量时，就像人们常说的那样，NS 有很多选择，因此模型的泛化程度更高。当输入的数量远远少于信号的数量时，模型就不是很好，因为会出现相互矛盾的数据，从而难以取舍。此外，我还可以告诉你一个窍门，但这已经是秘密了。这个窍门并不是很重要，但它带来的效果却非常有趣。
 
Mihail Marchukajtes:


那么...请解释一下，比如，我有一个蟾蜍文件，它是一个训练有素的模型吗？有四种方法，没有引用参考文献，而且方法本身的系数是夏德编码的，但它们需要 5 个芯片，而原来有 15 个，你用的是什么芯片，或者你是如何降低 15->5 的维度的？

如果我只需要运行一个测试，我需要 *.vrm 二进制的吗？

12345678910
新评论