交易中的机器学习：理论、模型、实践和算法交易 - 页 1201 1...119411951196119711981199120012011202120312041205120612071208...3399 新评论 Maxim Dmitrievsky 2018.12.12 11:50 #12001 Aleksey Nikolayev: 这一切都被非平稳性所破坏，非平稳性既可以是尖锐的，也可以是爬行的。这可以通过选择最佳权重来解决......例如，如何改变后验......从均匀到指数的 变化 Maxim Dmitrievsky 2018.12.12 11:51 #12002 阿列克谢-维亚兹米 金。如果你说的是我，我已经向你展示了测试样本和考试样本的曲线--我甚至不看学习样本......我是说，你可以看着它们，欣赏它们，也可以把它们投入流通。你已经有了Prior和Posterior))你需要的只是通过权重进行升级......这很巧妙也很直接。 就像亚历山大说的那样......准备好你的行李吧 Aleksey Vyazmikin 2018.12.12 12:00 #12003 马克西姆-德米特里耶夫斯基。你还在看他们的东西。 我的意思是，你可以看着他们，舔着他们，或者你可以把他们转过来。我不是在舔我的眼睛，而是在学习--我已经对指标进行了挖掘--我已经对它们有了感觉。我已经伪造了大约200个预测因子（许多预测因子用10列表示），这些预测因子是模型的特征:) 到了晚上，模型会准备好，我将尝试学习如何预测非清晰的模型:) Aleksey Vyazmikin 2018.12.12 12:03 #12004 顺便说一下，我想要一个预测余额缩减的预测器（如果预测正确则交替加1，如果错误则加-1），在MQL中是否有人有这些用途的函数（类似于正常余额的缩减）？ Aleksey Vyazmikin 2018.12.12 12:32 #12005 我在看一个模型中的利润与树木数量的关系图（512个模型）。 而且看起来有更多超过60岁的树木的模型不太可能脱落，或者样本很小... Maxim Dmitrievsky 2018.12.12 12:45 #12006 阿列克谢-维亚兹米 金。我在看一个模型中的利润与树木数量的关系图（512个模型）。 而且看起来有更多超过60岁的树木的模型不太可能脱落，或者样本很小...你是如何做到手工建造如此数量的模型的......就像你的TC联盟一样......。 理想情况下，他们应该通过GA或完全的Bruteforce完成。在一篇新的文章中，我写了如何，这篇文章还没有发表。所有通过mql手段 Aleksey Vyazmikin 2018.12.12 12:53 #12007 马克西姆-德米特里耶夫斯基。你是如何做到手工建造如此多的模型的......在CU联盟还是在你的联盟...... 我想使用GA或完全的Bruteforce。我写了一篇关于如何的新文章，还没有发表。都是通过mql的方式。为什么是手动？Ketbustu做了一个带循环的batcny，根据参数生成模型，模型参数的设置文件是由MT5的一个脚本生成的。结果由MT5的另一个脚本处理，我得到一个带有模型特征的摘要文件作为输出。 如果我可以自动绘制图表并保存，那就太好了。 Maxim Dmitrievsky 2018.12.12 13:08 #12008 阿列克谢-维亚兹米 金。为什么要手动？Catbustu做了一个批处理文件，有一个循环，根据参数生成模型，模型参数的设置文件是由MT5的一个脚本生成的。结果也由另一个脚本在MT5中处理，输出是一个包含模型特征的摘要文件。 如果我也能自动绘制图表和保存它们，那就太好了。啊酷，酷，levele) Aleksey Vyazmikin 2018.12.12 16:03 #12009 马克西姆-德米特里耶夫斯基。啊，很好，很好，水平很高。）谢谢。 在这里，我决定思考0和1分类的概率拟合的问题，以0.1的增量做了一个平衡计算，并对测试样本的结果感到震惊 测试样本上的相同模型 事实证明，我的测试样本对策略非常有利，没有任何额外的MO条件，这显然阻止了学习（学习发生在训练样本上，而模型选择发生在测试样本上），你怎么看？ Maxim Dmitrievsky 2018.12.12 16:52 #12010 阿列克谢-维亚兹米 金。谢谢。 在这里，我决定思考将概率拟合自动化的问题，将分类分解为0和1，以0.1步进行平衡计算，并对测试样本的结果感到震惊 测试样本上的相同模型 事实证明，我的测试样本对策略非常有利，没有任何额外的MO条件，这显然阻止了学习（学习是在训练样本上，模型选择是在测试样本上），你怎么看？我不太理解图片中的内容和问题的本质。我自己做了很多模型的变体，现在我想知道选择哪一个进行监测:D或进一步改进。 总而言之目前的方法不能将交易正确地输送到输出端，不管是人字形还是其他的胡言乱语。 因为对于滑动窗口的每个维度，都应该有一个不同的分布来进行交易。然后，该模型调整得更好，包括对测试样本。(虽然之字形或其他输出本身是非常确定的，但拟合的自由度很少）后者是做了，那就是输出的超采样更彻底，然后那里真的没有其他事情可做了对于具有不同滞后期的输入，以古老的方式，通过进口进行自我采样，也许通过PCA来摆脱相关性，这样的机器人变种也已经被制作出来。但总的来说，使用PCA是一个有缺陷的想法（虽然，互联网上又有相反的文字）。不仅样品需要居中，而且在新的数据上，这些成分慢慢变成了渣滓。 所有这些都给出了这样的东西，几乎没有什么大惊小怪，只要等待10分钟。 当该模型已经超过100%的列车时，进一步改进的可能性似乎是可疑的。 也许有了一块好的图形/仪器，你可以得到更多的东西。 1...119411951196119711981199120012011202120312041205120612071208...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
这一切都被非平稳性所破坏，非平稳性既可以是尖锐的，也可以是爬行的。
这可以通过选择最佳权重来解决......例如，如何改变后验......从均匀到指数的 变化
如果你说的是我，我已经向你展示了测试样本和考试样本的曲线--我甚至不看学习样本......
我是说，你可以看着它们，欣赏它们，也可以把它们投入流通。
你已经有了Prior和Posterior))你需要的只是通过权重进行升级......这很巧妙也很直接。
就像亚历山大说的那样......准备好你的行李吧
你还在看他们的东西。 我的意思是，你可以看着他们，舔着他们，或者你可以把他们转过来。
我不是在舔我的眼睛，而是在学习--我已经对指标进行了挖掘--我已经对它们有了感觉。我已经伪造了大约200个预测因子（许多预测因子用10列表示），这些预测因子是模型的特征:)
到了晚上，模型会准备好，我将尝试学习如何预测非清晰的模型:)
我在看一个模型中的利润与树木数量的关系图（512个模型）。
而且看起来有更多超过60岁的树木的模型不太可能脱落，或者样本很小...
我在看一个模型中的利润与树木数量的关系图（512个模型）。
而且看起来有更多超过60岁的树木的模型不太可能脱落，或者样本很小...
你是如何做到手工建造如此数量的模型的......就像你的TC联盟一样......。
理想情况下，他们应该通过GA或完全的Bruteforce完成。在一篇新的文章中，我写了如何，这篇文章还没有发表。所有通过mql手段你是如何做到手工建造如此多的模型的......在CU联盟还是在你的联盟......
我想使用GA或完全的Bruteforce。我写了一篇关于如何的新文章，还没有发表。都是通过mql的方式。为什么是手动？Ketbustu做了一个带循环的batcny，根据参数生成模型，模型参数的设置文件是由MT5的一个脚本生成的。结果由MT5的另一个脚本处理，我得到一个带有模型特征的摘要文件作为输出。
如果我可以自动绘制图表并保存，那就太好了。为什么要手动？Catbustu做了一个批处理文件，有一个循环，根据参数生成模型，模型参数的设置文件是由MT5的一个脚本生成的。结果也由另一个脚本在MT5中处理，输出是一个包含模型特征的摘要文件。
如果我也能自动绘制图表和保存它们，那就太好了。啊酷，酷，levele)
啊，很好，很好，水平很高。）
谢谢。
在这里，我决定思考0和1分类的概率拟合的问题，以0.1的增量做了一个平衡计算，并对测试样本的结果感到震惊
测试样本上的相同模型
事实证明，我的测试样本对策略非常有利，没有任何额外的MO条件，这显然阻止了学习（学习发生在训练样本上，而模型选择发生在测试样本上），你怎么看？
谢谢。
在这里，我决定思考将概率拟合自动化的问题，将分类分解为0和1，以0.1步进行平衡计算，并对测试样本的结果感到震惊
测试样本上的相同模型
事实证明，我的测试样本对策略非常有利，没有任何额外的MO条件，这显然阻止了学习（学习是在训练样本上，模型选择是在测试样本上），你怎么看？
我不太理解图片中的内容和问题的本质。
我自己做了很多模型的变体，现在我想知道选择哪一个进行监测:D或进一步改进。
总而言之目前的方法不能将交易正确地输送到输出端，不管是人字形还是其他的胡言乱语。
因为对于滑动窗口的每个维度，都应该有一个不同的分布来进行交易。然后，该模型调整得更好，包括对测试样本。(虽然之字形或其他输出本身是非常确定的，但拟合的自由度很少）后者是做了，那就是输出的超采样更彻底，然后那里真的没有其他事情可做了
对于具有不同滞后期的输入，以古老的方式，通过进口进行自我采样，也许通过PCA来摆脱相关性，这样的机器人变种也已经被制作出来。但总的来说，使用PCA是一个有缺陷的想法（虽然，互联网上又有相反的文字）。不仅样品需要居中，而且在新的数据上，这些成分慢慢变成了渣滓。
所有这些都给出了这样的东西，几乎没有什么大惊小怪，只要等待10分钟。
当该模型已经超过100%的列车时，进一步改进的可能性似乎是可疑的。
也许有了一块好的图形/仪器，你可以得到更多的东西。