交易中的机器学习：理论、模型、实践和算法交易 - 页 1193 1...118611871188118911901191119211931194119511961197119811991200...3399 新评论 Igor Makanu 2018.12.10 10:12 #11921 马克西姆-德米特里耶夫斯基。在mql5上也是如此...但这里有一个很好的测试器和一个基地:)问题就在这里，我自己也在旋转，有时间的时候厌倦了阅读所有的东西。 如果目的是在市场上销售产品，那么一切都在MQL中，如果目的是个人使用或在本论坛以外的地方分发，那么问题就在于能否获得.dll和链接到MT的可能性。 Maxim Dmitrievsky 2018.12.10 10:16 #11922 伊戈尔-马卡努。这就是问题所在，我自己也在旋转，有时间的时候我已经厌倦了阅读所有的东西。 我必须定义目标--大声的想法))))，如果目的是市场上的产品，唉，那就全靠MQL了，如果目的是个人使用或在这个论坛之外的分发，那任务就归结为能够得到.dll和链接到MT的能力。我将把它作为一个优秀的MQL机器人使用，其他的都是垃圾。如果你为市场写作，那么推广在那里更重要，而不是贸易业绩，加上愚蠢的 买家会让你大跌眼镜（有经验）。我有经验，你可以从代码库中提取几乎任何指标或专家顾问并在市场上出售......或者像格里巴乔夫那样投入200个，每天都有新的指标，但这不是武士的方式。 你必须让你的妻子或雇来的奴隶在电脑上与客户沟通，但你不会浪费你的时间 :) Igor Makanu 2018.12.10 10:28 #11923 马克西姆-德米特里耶夫斯基。目标是在MO上有一个了不起的机器人，其他的都是废话。如果你为市场写作，在那里推广比交易业绩更重要，另外愚蠢的 买家会让你大跌眼镜（我有过经验）。我没有任何代码基础的指标或专家顾问，他们会在市场上出售......或者你可以像格里巴乔夫那样放200个，每天一个新的，但这不是武士的方式。 如果你要这样做，你最好派你的妻子或雇佣的奴隶与买家沟通，因为你不会在这上面浪费时间 :)我已经预见到了，所以我不认为有必要 "喘气"，并认为值得放在市场上的东西 - 我不能提供产品支持，因为这将需要很长的时间，和东西存储在那里，希望有窥视谁愿意给30美元，因为良心上不允许）））。 ZS：通过一个简单的指标对订单进行网格化...它可以永远工作，永远（向上或向下），并且永远被用户所需要))))。 Maxim Dmitrievsky 2018.12.10 10:33 #11924 伊戈尔-马卡努。我已经预见到了，所以我认为没有必要 "喘气"，把有价值的东西放在市场上--我将无法支持产品，因为这将需要很长的时间，而且东西存放在那里，希望找到愿意捐赠30美元的窥视者，我不允许）））。 ZS：通过一个简单的指标对订单进行网格化...它将始终工作（向上或向下），并始终被用户所需求 ))))马丁斯，网格是的......各种类型的极客，这是永恒的:) Aleksey Vyazmikin 2018.12.10 12:22 #11925 我想到了一个想法--通过MO来确定过度训练。我一直在挖掘catbust，在那里你可以得到一个概率的预测--我把0到9的概率分散成组--为了便于感知和进一步分析--看了分布，标准差，峰度，不对称性，包括按目标和错误分布的细分，每组的答案正确率。现在我将拉出不同的标准指标来评估模型，如AUC F1和其他，在那里你可以看到学习的动态，但到目前为止我不知道如何更好地描述它。 图中有两个模型--分布组*正确分类组。蓝色模型在考试样本上的表现更好。 你还能想到哪些预测因素来评估该模型？ Maxim Dmitrievsky 2018.12.10 12:32 #11926 阿列克谢-维亚兹米 金。我想到了一个想法-- 通过MO来确定过度训练 。我一直在挖掘catbust，在那里你可以得到一个概率的预测--我把0到9的概率分散成组--为了便于感知和进一步分析--看了分布，标准差，峰度，不对称性，包括按目标和错误分布的细分，每组的答案正确率。现在我将拉出不同的标准指标来评估模型，如AUC F1和其他，在那里你可以看到学习的动态，但到目前为止我不知道如何更好地描述它。 图中有两个模型--分布组*正确分类组。蓝色模型在考试样本上的表现更好。 你还能想到哪些预测因素来评估该模型？酷，这实际上是每个人都在做的事情。 衡量标准是用来估计模型的，而不是预测指标，标准指标通常是足够的，但你可以自己编造。 通常情况下，森林中的误差越大，数值的扩散（分散）就越小，即只是0.5左右的白噪声，从这个意义上说，蓝线比红线更糟糕。 Aleksey Vyazmikin 2018.12.10 14:12 #11927 马克西姆-德米特里耶夫斯基。很好，这实际上是每个人都在做的事情。 衡量标准是用来估计模型的，而不是预测器，标准的通常就足够了，但你可以自己编造。 通常，森林中的误差越大，数值的传播（分散）就越小，即只是0.5左右的白噪声，在这个意义上，蓝线比红线更糟糕。哈，所以是要找到一个估计的标准，而不是用不同的计算公式来估计!所有这些带有公式的方法都是对模型的静止性进行评估，但并不能说明其继续进一步工作的能力，这正是我想实现的，所以我生成预测器，以便能够通过MO从一组不同的指标中找到一个模式。 关于散点--你的说法非常奇怪，也许它只考虑到了寻找数值的事实，而没有考虑到它们的分类价值和正确答案的百分比。在X轴上从0到5的图形是一簇零和它们的正确分类的乘积，从5对面是单位的乘积。 下面是这些模型的图表，但显示了目标 "1 "的分布情况 正如你所看到的，红色模型的分布比例偏移超过5，这意味着 "1 "没有机会被正确分类，而有机会的则比蓝色模型少--分别为23%和28%。 而这就是分类的保真度的变化方式 当然，也可以使用这样的扁平化模型，但需要将分类划分从0.5转移到0.7，例如，但留给处理的材料不多，但另一方面，这样的扁平化模型可以合并... Maxim Dmitrievsky 2018.12.10 14:18 #11928 阿列克谢-维亚兹米 金。哈，所以是要找到一个估计的标准，而不是用不同的计算公式来估计!所有这些公式方法都评估了模型的固定性，但并没有告诉我们它持续工作的能力，这正是我想要实现的，这也是我生成预测器的原因，这样我就可以通过MO的方式从一组不同的指标中找到一个模式。 关于散点--你的说法非常奇怪，也许它只考虑到了寻找数值的事实，而没有考虑到它们的分类价值和正确答案的百分比。在X轴上从0到5的图形是一簇零和它们的正确分类的乘积，从5对面是单位的乘积。 下面是这些模型的图表，但显示了目标 "1 "的分布情况 正如你所看到的，红色模型的分布比例偏移超过5，这意味着 "1 "没有机会被正确分类，而有机会的则比蓝色模型少--分别为23%和28%。 而这里是分类的保真度的变化情况 当然，我们也可以使用这样的扁平化模型，但有必要将分类的划分从0.5转移到0.7，例如，但留给处理的材料不多，但另一方面，这样的扁平化模型可以合并...事实上，它是有偏见的，只是说有利于某些类别，它可能是在一个趋势市场，即一个学习样本（大约）。 如果你采取蓝色的，你有急剧下降的概率，也就是说，如果在理想情况下，信号的概率应该是1，那么你有它0.6-0.7的最大值，也就是说，两个类在0.5左右旋转，对一个或另一个类有小的偏差，事实上，有噪音而不是信号，或者模型被强烈规范化 在测试样本上保持错误工作的能力......如果你设法在跟踪上接近错误，那么作为一个规则，模型是好的。 Aleksey Vyazmikin 2018.12.10 14:34 #11929 马克西姆-德米特里耶夫斯基。事实上，它是有偏见的，只是说有利于某些类别，它可能是在一个趋势市场，即一个训练样本（大致如此）。我们在相同的条件下对模型进行比较，下面是相同的模型在其他数据目标单位下的分类1--35%与39%的对比。 分类保真度 而由于所有数值的集群更接近中心，我们得到的乘积是 马克西姆-德米特里耶夫斯基。如果你采取蓝色，你会得到概率的急剧下降，也就是说，如果在理想情况下，信号的概率应该是1，那么你有它0.6-0.7的最大值，即两个类围绕着0.5，对一个或另一个类的小偏差，事实上有噪音，但没有信号。 有能力在错误的测试样本上继续工作......如果你设法接近托盘上的错误，那么作为一项规则，该模型是好的。 为什么这个概率必须是 "1"--而是过于自信，相反，我认为在正确的（理想的）模型中，必须有0.1和0.3以及0.7和0.9之间的两个驼峰--因为这将表明稳定性和充分性，但这样的模型在事实上还没有被观察到。 关于估计系数值的近似--是的，我同意--我将查看delta，并对动态进行一些测量--在catbust，你可以看到当树木被添加到模型中时，数值是如何变化的。 Maxim Dmitrievsky 2018.12.10 14:42 #11930 阿列克谢-维亚兹米 金。我们在相同的条件下对模型进行比较，下面是相同的模型在其他数据目标单位下的分类1--35%与39%的对比。 分类的保真度 而由于所有数值的累积更接近于中心，我们得到的乘积是 为什么这个概率应该是 "1"--而是自满，事实上我认为一个适当的（理想的）模型应该在0.2和0.4以及0.7和0.9之间有两个驼峰--这将表明稳定性和充分性，但我在现实中还没有看到这种模型。 关于估计系数值的近似--是的，我同意--我会看一下delta，并对动态进行一些测量--在catbust，你可以看到当树木被添加到模型中时，指标如何变化。事件的概率越高，信号就越准确，这甚至有点来自于定义:)2、在嘈杂的数据上不会有驼峰，至少因为会有瞬态，但模型至少应该在适当的程度上捕捉到极端值，否则永远无法确定输入的情况 1...118611871188118911901191119211931194119511961197119811991200...3399 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
在mql5上也是如此...但这里有一个很好的测试器和一个基地:)
问题就在这里，我自己也在旋转，有时间的时候厌倦了阅读所有的东西。
如果目的是在市场上销售产品，那么一切都在MQL中，如果目的是个人使用或在本论坛以外的地方分发，那么问题就在于能否获得.dll和链接到MT的可能性。
这就是问题所在，我自己也在旋转，有时间的时候我已经厌倦了阅读所有的东西。
我必须定义目标--大声的想法))))，如果目的是市场上的产品，唉，那就全靠MQL了，如果目的是个人使用或在这个论坛之外的分发，那任务就归结为能够得到.dll和链接到MT的能力。
我将把它作为一个优秀的MQL机器人使用，其他的都是垃圾。如果你为市场写作，那么推广在那里更重要，而不是贸易业绩，加上愚蠢的 买家会让你大跌眼镜（有经验）。我有经验，你可以从代码库中提取几乎任何指标或专家顾问并在市场上出售......或者像格里巴乔夫那样投入200个，每天都有新的指标，但这不是武士的方式。
你必须让你的妻子或雇来的奴隶在电脑上与客户沟通，但你不会浪费你的时间 :)目标是在MO上有一个了不起的机器人，其他的都是废话。如果你为市场写作，在那里推广比交易业绩更重要，另外愚蠢的 买家会让你大跌眼镜（我有过经验）。我没有任何代码基础的指标或专家顾问，他们会在市场上出售......或者你可以像格里巴乔夫那样放200个，每天一个新的，但这不是武士的方式。
如果你要这样做，你最好派你的妻子或雇佣的奴隶与买家沟通，因为你不会在这上面浪费时间 :)我已经预见到了，所以我不认为有必要 "喘气"，并认为值得放在市场上的东西 - 我不能提供产品支持，因为这将需要很长的时间，和东西存储在那里，希望有窥视谁愿意给30美元，因为良心上不允许）））。
ZS：通过一个简单的指标对订单进行网格化...它可以永远工作，永远（向上或向下），并且永远被用户所需要))))。
我已经预见到了，所以我认为没有必要 "喘气"，把有价值的东西放在市场上--我将无法支持产品，因为这将需要很长的时间，而且东西存放在那里，希望找到愿意捐赠30美元的窥视者，我不允许）））。
ZS：通过一个简单的指标对订单进行网格化...它将始终工作（向上或向下），并始终被用户所需求 ))))
马丁斯，网格是的......各种类型的极客，这是永恒的:)
我想到了一个想法--通过MO来确定过度训练。我一直在挖掘catbust，在那里你可以得到一个概率的预测--我把0到9的概率分散成组--为了便于感知和进一步分析--看了分布，标准差，峰度，不对称性，包括按目标和错误分布的细分，每组的答案正确率。现在我将拉出不同的标准指标来评估模型，如AUC F1和其他，在那里你可以看到学习的动态，但到目前为止我不知道如何更好地描述它。
图中有两个模型--分布组*正确分类组。蓝色模型在考试样本上的表现更好。
你还能想到哪些预测因素来评估该模型？
我想到了一个想法-- 通过MO来确定过度训练 。我一直在挖掘catbust，在那里你可以得到一个概率的预测--我把0到9的概率分散成组--为了便于感知和进一步分析--看了分布，标准差，峰度，不对称性，包括按目标和错误分布的细分，每组的答案正确率。现在我将拉出不同的标准指标来评估模型，如AUC F1和其他，在那里你可以看到学习的动态，但到目前为止我不知道如何更好地描述它。
图中有两个模型--分布组*正确分类组。蓝色模型在考试样本上的表现更好。
你还能想到哪些预测因素来评估该模型？
酷，这实际上是每个人都在做的事情。
衡量标准是用来估计模型的，而不是预测指标，标准指标通常是足够的，但你可以自己编造。
通常情况下，森林中的误差越大，数值的扩散（分散）就越小，即只是0.5左右的白噪声，从这个意义上说，蓝线比红线更糟糕。很好，这实际上是每个人都在做的事情。
衡量标准是用来估计模型的，而不是预测器，标准的通常就足够了，但你可以自己编造。
通常，森林中的误差越大，数值的传播（分散）就越小，即只是0.5左右的白噪声，在这个意义上，蓝线比红线更糟糕。哈，所以是要找到一个估计的标准，而不是用不同的计算公式来估计!所有这些带有公式的方法都是对模型的静止性进行评估，但并不能说明其继续进一步工作的能力，这正是我想实现的，所以我生成预测器，以便能够通过MO从一组不同的指标中找到一个模式。
关于散点--你的说法非常奇怪，也许它只考虑到了寻找数值的事实，而没有考虑到它们的分类价值和正确答案的百分比。在X轴上从0到5的图形是一簇零和它们的正确分类的乘积，从5对面是单位的乘积。
下面是这些模型的图表，但显示了目标 "1 "的分布情况
正如你所看到的，红色模型的分布比例偏移超过5，这意味着 "1 "没有机会被正确分类，而有机会的则比蓝色模型少--分别为23%和28%。
而这就是分类的保真度的变化方式
当然，也可以使用这样的扁平化模型，但需要将分类划分从0.5转移到0.7，例如，但留给处理的材料不多，但另一方面，这样的扁平化模型可以合并...
哈，所以是要找到一个估计的标准，而不是用不同的计算公式来估计!所有这些公式方法都评估了模型的固定性，但并没有告诉我们它持续工作的能力，这正是我想要实现的，这也是我生成预测器的原因，这样我就可以通过MO的方式从一组不同的指标中找到一个模式。
关于散点--你的说法非常奇怪，也许它只考虑到了寻找数值的事实，而没有考虑到它们的分类价值和正确答案的百分比。在X轴上从0到5的图形是一簇零和它们的正确分类的乘积，从5对面是单位的乘积。
下面是这些模型的图表，但显示了目标 "1 "的分布情况
正如你所看到的，红色模型的分布比例偏移超过5，这意味着 "1 "没有机会被正确分类，而有机会的则比蓝色模型少--分别为23%和28%。
而这里是分类的保真度的变化情况
当然，我们也可以使用这样的扁平化模型，但有必要将分类的划分从0.5转移到0.7，例如，但留给处理的材料不多，但另一方面，这样的扁平化模型可以合并...
事实上，它是有偏见的，只是说有利于某些类别，它可能是在一个趋势市场，即一个学习样本（大约）。
如果你采取蓝色的，你有急剧下降的概率，也就是说，如果在理想情况下，信号的概率应该是1，那么你有它0.6-0.7的最大值，也就是说，两个类在0.5左右旋转，对一个或另一个类有小的偏差，事实上，有噪音而不是信号，或者模型被强烈规范化
在测试样本上保持错误工作的能力......如果你设法在跟踪上接近错误，那么作为一个规则，模型是好的。
事实上，它是有偏见的，只是说有利于某些类别，它可能是在一个趋势市场，即一个训练样本（大致如此）。
我们在相同的条件下对模型进行比较，下面是相同的模型在其他数据目标单位下的分类1--35%与39%的对比。
分类保真度
而由于所有数值的集群更接近中心，我们得到的乘积是
如果你采取蓝色，你会得到概率的急剧下降，也就是说，如果在理想情况下，信号的概率应该是1，那么你有它0.6-0.7的最大值，即两个类围绕着0.5，对一个或另一个类的小偏差，事实上有噪音，但没有信号。
有能力在错误的测试样本上继续工作......如果你设法接近托盘上的错误，那么作为一项规则，该模型是好的。
为什么这个概率必须是 "1"--而是过于自信，相反，我认为在正确的（理想的）模型中，必须有0.1和0.3以及0.7和0.9之间的两个驼峰--因为这将表明稳定性和充分性，但这样的模型在事实上还没有被观察到。
关于估计系数值的近似--是的，我同意--我将查看delta，并对动态进行一些测量--在catbust，你可以看到当树木被添加到模型中时，数值是如何变化的。我们在相同的条件下对模型进行比较，下面是相同的模型在其他数据目标单位下的分类1--35%与39%的对比。
分类的保真度
而由于所有数值的累积更接近于中心，我们得到的乘积是
为什么这个概率应该是 "1"--而是自满，事实上我认为一个适当的（理想的）模型应该在0.2和0.4以及0.7和0.9之间有两个驼峰--这将表明稳定性和充分性，但我在现实中还没有看到这种模型。
关于估计系数值的近似--是的，我同意--我会看一下delta，并对动态进行一些测量--在catbust，你可以看到当树木被添加到模型中时，指标如何变化。事件的概率越高，信号就越准确，这甚至有点来自于定义:)2、在嘈杂的数据上不会有驼峰，至少因为会有瞬态，但模型至少应该在适当的程度上捕捉到极端值，否则永远无法确定输入的情况