交易中的机器学习：理论、模型、实践和算法交易 - 页 1281 1...127412751276127712781279128012811282128312841285128612871288...3399 新评论 Maxim Dmitrievsky 2019.01.30 12:10 #12801 试着像Aleshenka son和有毒的那样做回归，只有当预测与N个柱状的价格有很高的相关性时才进行交易。这样做比在课堂上受苦更容易。 Forester 2019.01.30 12:16 #12802 马克西姆-德米特里耶夫斯基。 尝试倒退 回归（在执行森林中）将被测试，但要在以后。马克西姆-德米特里耶夫斯基。 只有当预测与N个柱状图上的价格有很高的相关性时才进行交易。 这就像一种趋势？当你明白这是一个趋势时，它已经走到了尽头，是时候退出而不是进入。 Maxim Dmitrievsky 2019.01.30 12:16 #12803 elibrarius。 回归（由森林执行）将被测试，但要在以后。这就像一种趋势？当你意识到这是一种趋势时，它就要结束了，是时候退出，而不是进入。他们是这样写的，我不知道......真的是比喻，他们认为这很难理解。 Кеша Рутов 2019.01.30 12:26 #12804 亚历山大_K2。我坚持我的观点：尊贵的KsanKsanych（法）有两个无可置疑的亲属。1）儿子阿廖申科，他被愤怒的投资者抓住了，2）孙子凯沙，他承诺给任何阅读他祖父的创作的人提供数十亿美元。 请不要把这两者混为一谈!请不要把桑桑尼茨和阿廖沙、巫师等人相提并论。桑桑尼茨是个职业选手，而阿廖沙和巫师则是失去了几百美元并迁怒于整个世界的外汇贬值者。我不是桑桑尼茨的孙子，我只是尊重他，觉得他的文章非常有用，对于梭哈的文章和教义不能说什么，他收集的参考资料和术语看起来很科学，但实际上是没有棍子的。 Aleksey Vyazmikin 2019.01.30 12:34 #12805 elibrarius。在训练方面，由于树木是没有经过训练的。在过度训练的树上应该是测试树，因为树也会记住噪音。 对于未经训练的树木，这并不重要。 但样本量确实很重要。它越大，就越有代表性。而我的训练地块是3倍大。 --------- 从https://www.mql5.com/ru/blogs/post/723619 教程中，大量的代表性样本使各班的平衡成为不必要的，减少了时间上的随机性。把这个转给了没有受过训练的树木。 但也许我错了，需要在测试图上测试预测因素的意义。你如何确定一棵树（树的森林）是否是预训练的？ 我认为在任何情况下，方法应该包括检查树在不同样本上的稳定性（这种稳定性在样本的不同部分如何变化），训练和测试。否则，你测量任何噪音，只是很好地躺在历史上，也就是说，你不会在树的帮助下找到规律性，你只描述价格运动的历史，任何预测因素都可以 - 主要是它们必须是稳定和频繁的。 我在寻找的模式（叶子或迷你猫咪图案），最好是每年都有盈利（2014-2018），并满足一些额外的标准。 Maxim Dmitrievsky 2019.01.30 12:35 #12806 凯沙-鲁托夫。凯莎公子，让我再看看 "趋势"，所有的小丑都被禁止了，只剩下你了。 你的森林是如何预测趋势的？ 告诉我 Ivan Negreshniy 2019.01.30 12:58 #12807 阿列克谢-维亚兹米 金。你如何确定一棵树（树的森林）是否是预训练的？ 我认为在任何情况下，方法应该包括检查树在不同样本上的稳定性（这种稳定性在样本的不同部分如何变化），训练和测试。否则，你测量任何噪音，只是很好地躺在历史上，也就是说，你不会在 树的帮助下找到规律性 ，你只描述价格运动的历史，任何预测因素都可以 - 主要的是它们应该是稳定和频繁的。 我在寻找这种规律性的东西（叶子或迷你猫咪图案），最好每年都能带来利润（2014-2018），并满足一些附加条件。与目标相关的稳定和经常出现的预测因素是模式。 在与结果无关的帖子中，稳定的、经常遇到的科学术语很可能是过度学习:) Aleksey Vyazmikin 2019.01.30 13:08 #12808 伊万-内格雷什尼。与目标相关的稳定和频繁的预测因素是模式。想象一下，预测器是日/夜，例如在白天你的目标中会有超过1个，这是不是一个好的预测器？或者说，这与日子无关，而是重要的新闻（影响市场）在白天比在晚上更经常发布。 伊万-内格雷什尼。而在与结果无关的帖子中稳定而频繁地出现科幻术语，可能是学习过度了:) 我认为在这里评判一个为促进MO做了很多工作的人是不合适的...... Кеша Рутов 2019.01.30 13:30 #12809 马克西姆-德米特里耶夫斯基。凯莎公子，让我再看看 "趋势"，否则所有的小丑都被禁止了，只剩下你了。 你的森林是如何预测趋势的？我很好，稳定的10-15%的错误率，在测试中。在真正的交易中，这一切都混杂在一起，没有定义，但我是一个风险承担者，不像你和类似的坐在老年父母背上的稳定者。 Forester 2019.01.30 13:32 #12810 Aleksey Vyazmikin: 你如何确定这棵树是否是预先训练过的（一片树的森林）？我把树限制在1行： samples++; if(samples < 20){ 那么就不要再划分节点了，而是留下叶子}。 即叶子里至少要有20个样本，才能有代表性。 这就是你要求的整个发布））））。 观察的程度，即表中的例子数量可以是任何10、100、1000或优化。在xgboost 中，它被称为min_child_weight。 1...127412751276127712781279128012811282128312841285128612871288...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
尝试倒退
只有当预测与N个柱状图上的价格有很高的相关性时才进行交易。
这就像一种趋势？当你明白这是一个趋势时，它已经走到了尽头，是时候退出而不是进入。
回归（由森林执行）将被测试，但要在以后。
这就像一种趋势？当你意识到这是一种趋势时，它就要结束了，是时候退出，而不是进入。
他们是这样写的，我不知道......真的是比喻，他们认为这很难理解。
我坚持我的观点：尊贵的KsanKsanych（法）有两个无可置疑的亲属。1）儿子阿廖申科，他被愤怒的投资者抓住了，2）孙子凯沙，他承诺给任何阅读他祖父的创作的人提供数十亿美元。
请不要把这两者混为一谈!
请不要把桑桑尼茨和阿廖沙、巫师等人相提并论。桑桑尼茨是个职业选手，而阿廖沙和巫师则是失去了几百美元并迁怒于整个世界的外汇贬值者。我不是桑桑尼茨的孙子，我只是尊重他，觉得他的文章非常有用，对于梭哈的文章和教义不能说什么，他收集的参考资料和术语看起来很科学，但实际上是没有棍子的。
在训练方面，由于树木是没有经过训练的。在过度训练的树上应该是测试树，因为树也会记住噪音。
对于未经训练的树木，这并不重要。
但样本量确实很重要。它越大，就越有代表性。而我的训练地块是3倍大。
---------
从https://www.mql5.com/ru/blogs/post/723619 教程中，大量的代表性样本使各班的平衡成为不必要的，减少了时间上的随机性。把这个转给了没有受过训练的树木。
但也许我错了，需要在测试图上测试预测因素的意义。
你如何确定一棵树（树的森林）是否是预训练的？
我认为在任何情况下，方法应该包括检查树在不同样本上的稳定性（这种稳定性在样本的不同部分如何变化），训练和测试。否则，你测量任何噪音，只是很好地躺在历史上，也就是说，你不会在树的帮助下找到规律性，你只描述价格运动的历史，任何预测因素都可以 - 主要是它们必须是稳定和频繁的。
我在寻找的模式（叶子或迷你猫咪图案），最好是每年都有盈利（2014-2018），并满足一些额外的标准。
凯莎公子，让我再看看 "趋势"，所有的小丑都被禁止了，只剩下你了。
你的森林是如何预测趋势的？ 告诉我你如何确定一棵树（树的森林）是否是预训练的？
我认为在任何情况下，方法应该包括检查树在不同样本上的稳定性（这种稳定性在样本的不同部分如何变化），训练和测试。否则，你测量任何噪音，只是很好地躺在历史上，也就是说，你不会在 树的帮助下找到规律性 ，你只描述价格运动的历史，任何预测因素都可以 - 主要的是它们应该是稳定和频繁的。
我在寻找这种规律性的东西（叶子或迷你猫咪图案），最好每年都能带来利润（2014-2018），并满足一些附加条件。
与目标相关的稳定和经常出现的预测因素是模式。
在与结果无关的帖子中，稳定的、经常遇到的科学术语很可能是过度学习:)
与目标相关的稳定和频繁的预测因素是模式。
想象一下，预测器是日/夜，例如在白天你的目标中会有超过1个，这是不是一个好的预测器？或者说，这与日子无关，而是重要的新闻（影响市场）在白天比在晚上更经常发布。
而在与结果无关的帖子中稳定而频繁地出现科幻术语，可能是学习过度了:)
我认为在这里评判一个为促进MO做了很多工作的人是不合适的......
凯莎公子，让我再看看 "趋势"，否则所有的小丑都被禁止了，只剩下你了。
你的森林是如何预测趋势的？我很好，稳定的10-15%的错误率，在测试中。在真正的交易中，这一切都混杂在一起，没有定义，但我是一个风险承担者，不像你和类似的坐在老年父母背上的稳定者。
你如何确定这棵树是否是预先训练过的（一片树的森林）？
我把树限制在1行：
samples++; if(samples < 20){ 那么就不要再划分节点了，而是留下叶子}。
即叶子里至少要有20个样本，才能有代表性。
这就是你要求的整个发布））））。
观察的程度，即表中的例子数量可以是任何10、100、1000或优化。在xgboost 中，它被称为min_child_weight。