交易中的机器学习：理论、模型、实践和算法交易 - 页 12

新评论
 
你好！我是机器学习的新手，我有一个问题，为什么你们都试图预测价格方向，要么通过之字形，要么简单地通过递增下一个蜡烛，市场上有很多混乱，你需要包括一个走廊，在这个走廊里价格可能会 "摇摆"。在我看来，把交易结果作为一个目标更为有效。例如，在训练过程中，我们考虑一个理想的利润曲线，目标将被标记为不偏离理想的15%以上，或者，采取恢复系数，不要让它低于n，这样的目标对于市场数据将更加灵活。而最有趣的是如何以这样的形式来实现这个函数，例如对于同一个随机森林？
 
mytarmailS:
你好！我是机器学习的新手，我有一个问题，为什么你们都试图预测价格方向，要么是通过 "之 "字形，要么是简单地通过增加下一个蜡烛，市场上有很多混乱，你应该包括一些走廊，其中价格可能 "摇摆"。在我看来，把交易结果作为一个目标更为有效。例如，在训练过程中，我们考虑一个理想的利润曲线，目标将被标记为不偏离理想的15%以上，或者，采取恢复系数，不要让它低于n，这样的目标对于市场数据将更加灵活。而最有趣的是如何实现这种形式的函数，例如，对于同一个随机森林？
你好，你能不能用图形画出这个目标，使之更清晰？
 
 

你好!

左边只是一种价格，右边黑色代表理想的平衡曲线（所有可以赚取的），绿色代表理想平衡曲线的一定范围（走廊），我们在交易中不应该超越，灰色代表真实交易类型的平衡)

因此，目标的本质不是预测价格，目标的形式是向量11100001111100，并找到一个灰线不会超过绿色的状态。

我自己也不明白怎么做，这就是我想讨论的原因）。

 
mytarmailS:

你好!

左边只是一种价格，右边黑色代表理想的平衡曲线（所有可以赚取的），绿色代表理想平衡曲线的一定范围（走廊），我们在交易中不应该超越，灰色代表真实交易类型的平衡)

因此，目标的本质不是预测价格，目标的形式是向量11100001111100，并找到一个灰线不会超过绿色的状态。

我可能有点糊涂，但我自己也不知道怎么做，这就是我想讨论的原因)。

误差交易中线的斜率角度将不太理想。你用灰色描绘了交易，其中最可能的是增加手数，使之回归到计划的角度。

也就是说，它是通过交易来预测价格方向的，但当误差积累到一定程度时，系统就会以某种方式开始更频繁地在正方向上工作。

我们在这里讨论了三个目标选项。
1）在时间间隔内关闭一个位置
2) 级别被打破时的交易结束(TP/CL)
3）一般的趋势方向，其中关闭交易没有明确的定义。它可能是由时间或tp/cl组成。

在这种情况下，变体3在退出标准方面是最模糊的。
 
阿列克谢-伯纳科夫。
误差交易中的线的斜率角度将不太理想。你描绘了一个灰线交易，增加手数很可能会返回到预定的角度。

也就是说，它是以价格方向预测为基础的交易，但是当误差积累到一定程度时，系统就会以某种方式开始频繁地在加码中工作。
我不明白 ))没有地段，没有努力工作的系统），它是一个随机产生的日期......当然，以我的愚见，只是画出目标应该比之字形更好，但如何实现这一点我不知道，我想也许有人会告诉我。
 
mytarmailS:
我不明白 ))没有地段，也没有加强的系统），这是一个随机产生的日期......。我刚刚描绘了一个目标，以我的愚见，应该比之字形更好，但如何实现它，我不知道，我想也许有人会告诉我。

我也无法理解你。

你的灰色曲线就像用可变手数进行交易一样，总是要回到高斜率线。

这就像一个总是有一个角度的交易线的马天宇。

在现实中，这样的交易方式是不现实的。有了错误（失败的交易），你的真实曲线将更接近于零。

如何实现这一目标也不清楚。这种时间序列 只有在交易在积累了负数之后总是以正数返回时才有可能。几乎不可能将其纳入培训，至少不可能以标准方式进行。

 

这不是一个系统，它只是一个说明）））那里没有交易。

对不起，我一定不善于表达我的想法。

这里是代码

PRICE <- cumsum(rnorm(200))+1000

par(mfrow=c(1,2))

plot(PRICE,t="l",,lwd=2)

PD <- c(0,diff(PRICE))

BAL <- PD

for(i in 1:length(PD)){

如果(BAL[i] < 0) BAL[i] <- BAL[i]/-1

}

BAL <- cumsum(BAL)

lowBAL <- BAL - 50

plot(BAL,t="l",lwd=3)

plot(lowBAL,t="b",col="green")

realBAL <- BAL+rnorm(200,sd=20)

lines(realBAL,t="l",col="grey")


让我们重新开始，有一个标准的目标函数，它是一个表示运动方向的向量，你可以用之字形来描述，或者只是下一个蜡烛的收盘价，这个向量通常被转化为1110000111或者-1-11111

我可以这样做，但我认为这种方法是有缺陷的

我建议这样做：让算法在训练期间模仿交易（灰色图表），并将其与可以预期的理想回报（黑色图表）进行比较，也就是说，算法不试图预测下一个价格，只是试图不超过绿线。这就是我试图在图表上显示的全部内容。

问题：有可能实现吗，因为我看到的所有算法（神经、射频......）都希望目标向量为11100011。

 
mytarmailS:

这不是一个系统，它只是一个说明）））那里没有交易。

对不起，我一定不善于表达我的想法。

这里是代码

PRICE <- cumsum(rnorm(200))+1000

par(mfrow=c(1,2))

plot(PRICE,t="l",,lwd=2)

PD <- c(0,diff(PRICE))

BAL <- PD

for(i in 1:length(PD)){

如果(BAL[i] < 0) BAL[i] <- BAL[i]/-1

}

BAL <- cumsum(BAL)

lowBAL <- BAL - 50

plot(BAL,t="l",lwd=3)

plot(lowBAL,t="b",col="green")

realBAL <- BAL+rnorm(200,sd=20)

lines(realBAL,t="l",col="grey")


让我们重新开始，有一个标准的目标函数，它是一个表示运动方向的向量，你可以用之字形来描述，或者只是下一个蜡烛的收盘价，这个向量通常被转化为1110000111或者-1-11111

我可以这样做，但我认为这种方法是有缺陷的

我建议这样做：让算法在训练期间模仿交易（灰色图表），并将其与可预期的理想回报（黑色图表）进行比较，也就是说，算法不试图预测下一个价格，只是试图不超过绿线。这就是我试图在图表上显示的全部内容。

问题是：有可能实现吗，因为我看到的所有算法（神经、射频......）都希望目标向量的形式是11100011？

谢谢你。我一下子就明白了你的意思。只是在默认情况下不可能实现它。

以随机森林为例。我假设你对这种机器学习方法很熟悉。

这东西只能以一种方式运作。如果我们有一个二元输出变量，每个输入的决策森林将简单地寻找一个数值区域，其中输出类中的一个的偏度在统计学上较大。并对所有变量反复进行。

如果你想让机器考虑到真实交易精度与理想值的偏差，你需要确保决策森林是相应匹配的，而不是基于类的偏斜度。这需要考虑到偏离理想交易的动态变化，这也是标准所不能实现的。为此，机器需要动态地输入关于完美交易的数据。为此，有必要重写该方法。标准工具根本无法做到这一点。

有梯度函数。对于一个标准的森林，梯度是以自己的方式设定的。如果你需要优化交易与理想的偏差，这将是一个完全不同的梯度。不知为何，我觉得我个人无法在膝盖上写好它。

 
谢谢你的澄清，我现在完全理解了你的意思，遗传算法在这里能起到帮助吗？ 而不是RF，我有不少有趣的想法来实现一个目标，我想试试。
1...5678910111213141516171819...3399
新评论