交易中的机器学习：理论、模型、实践和算法交易 - 页 135 1...128129130131132133134135136137138139140141142...3399 新评论 Alexey Burnakov 2016.09.06 18:01 #1341 安德烈-迪克 多久？我理解，你在文章中的代码已经适合于在发现的点上进行模拟交易，使用它正好合适。)这很好。好吧，让我们说在机器运行的几天（或一周）。比方说，一些可预见的时间框架。 Andrey Dik 2016.09.06 18:08 #1342 阿列克谢-伯纳科夫。我理解，你在文章中的代码已经适合在发现的点上模拟交易，可以直接使用。)这很好。好吧，让我们说在机器运行的几天内。该算法本身是有效的，不需要（除非你太挑剔）额外的工作，而具有理想ZZ的代码片段可以作为交易模拟，但需要一些额外的工作。在几天之内？- 不，我认为你可以更快地得到一个好的结果，在几个小时甚至几分钟内。在文章中，搜索的时间大概是几秒钟，但有100条。当然，在你的情况下，它可能需要更长的时间。你可以通过实验来估计历时的数量，这样你就能以指定的精度获得结果，并满足时间限制。 Alexey Burnakov 2016.09.06 18:11 #1343 安德烈-迪克该算法本身是有效的，不需要（除非你太挑剔）进行一些微调，但具有完美ZZ的代码部分原则上可以作为贸易模拟，并进行一些微调。在几天之内？- 不，我认为你可以更快地得到一个好的结果，在几个小时甚至几分钟内。在文章中，搜索的时间大概是几秒钟，但有100条。当然，在你的情况下，它可能需要更长的时间。你可以试验性地调整历时的数量，以便获得所需精度的结果并满足时间要求。所以。谢谢你。我会试一试的。我想为整个历史上的分钟柱产生输入。然后我就把它们放在我的实验中。你的工作做得不错。而理想条目不一定与ZZ逻辑相吻合的事实是一个非同小可的重要结论。 Andrey Dik 2016.09.06 18:16 #1344 Alexey Burnakov: 好的。谢谢你。我会试一试的。我想为整个历史上的分钟柱产生输入。然后我就把它们放在我的实验中。你的工作做得不错。而理想的输入不一定与ZZ逻辑相吻合的事实，是一个非同小可的重要结论。也谢谢你。很少有人注意到黑体字，因为某些原因......我想补充一下。文章在优化 PPI时考虑了仪器的平均价差，但现在我倾向于认为，优化应该在没有价差的情况下进行，而价差必须在测试过程中考虑。 Alexey Burnakov 2016.09.08 15:16 #1345 安德烈-迪克也谢谢你。很少有人注意到黑体字，因为某些原因......我想补充一下。文章在优化WPI时考虑了工具的平均点差，但现在我倾向于，或者说肯定地认为，优化应该在没有点差的情况下进行，而测试交易运行应该在点差的情况下进行。 为了优化 "每条杠"，当然需要考虑到价差。否则将在每个条形图上以下一个开放价格 的方向执行交易。传播使任务成为非线性的，并定义了最佳的交易配置。 Alexey Burnakov 2016.09.08 15:21 #1346 Alexey Burnakov: LSTM我们将在后面看。目前，我和我的同事已经得出了R^2 0.2的测试结果。几个卷积滤波器和全连接层中的几个神经元。我们的想法是，那里不需要复发。我们需要的是正确提取特征。到目前为止，我的问题的结果如下（测试集上的所有R^2得分）。自回归移动平均模型：0.14MLP（完全连接的NN）：0.12-0.15GBM：0.1卷积网（简单，没有发展好）：至少0.2因此，模拟的依赖性确实已经变成了不那么简单，流行的方法也失败了。我们将改进卷积网络。如果有人有时间尝试解决这个问题（用一些递归网络），请分享结果。 Alexey Burnakov 2016.09.11 11:12 #1347 阿列克谢-伯纳科夫。 到目前为止，我的问题的结果如下（所有测试集上的R^2估计）。自回归移动平均模型：0.14MLP（完全连接的NN）：0.12-0.15GBM：0.1卷积网（简单，没有发展好）：至少0.2因此，模拟的依赖性确实已经变成了不那么简单，流行的方法也失败了。我们将改进卷积网络。如果有人有时间尝试解决这个问题（用一些递归网络），请分享结果。我也在努力解决我的问题。我还使用了卷积NS，上面有完全连接层。我在测试中 得到的R^2 的最佳结果是0.23 。 这似乎是天花板。增加网络的复杂性并不能带来任何好处。但该网络的输出并不完美。这是对模型的反应的点图。预计会有一个狭长的倾斜云。事实上，可以看出，复杂的响应函数并没有被网络完全模拟（跳跃没有被识别）。网络产生的功能比我布置的要顺畅得多。也许熟悉NS的人对这样一个复杂的函数如何建模会有一些想法（例子）。增加层数，神经元的数量？事实上，在没有准备输入变量的情况下，所有流行的方法都已经合并了。转换真的可以潜在地提取所需的特征（通过积分、微分、非线性平滑），而且NS已经从它们那里正常学习了。这就是卷积的力量。顺便说一下，佩雷文科先生在他关于神经网络的文章中没有说过这种类型的网络。好吧，我发现整篇文章中只有一处提到。而且还可以揭示出对时间序列的适用性问题（深思熟虑）。ǞǞǞ [删除] 2016.09.11 13:27 #1348 你，最重要的是，给予更多的投入。还有培训实例。 Alexey Burnakov 2016.09.11 15:06 #1349 Vadim Shishkin:你，最重要的是，给予更多的投入。还有培训实例。 这就够了。 Dr. Trader 2016.09.11 18:28 #1350 隐蔽层中的神经元越多--神经元可以描述的功能就越复杂，你需要更多的隐蔽层和其中的神经元。但问题是，神经元使用连续的加法和乘法（例如激活函数的sigmoids）来描述目标，也就是说，你显然不会得到你的原始函数，而是某种近似。而结果可能是，这个近似值会记住训练数据中的一些特征，所以它在新数据中不能正确工作。因此，有时你需要停止训练，看看测试样本的误差是否减少，如果一切正常，再继续训练。在某些时候，测试数据上的错误会开始增长，然后必须完全停止训练。另外，神经元键的输出受激活函数的限制。对于流行的--sigmoid是（0;1），relu是[0;inf]。目标值需要缩放到不同的区间，你在区间（-7;7）的输出对许多软件包来说根本无法实现。 1...128129130131132133134135136137138139140141142...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
多久？
我理解，你在文章中的代码已经适合于在发现的点上进行模拟交易，使用它正好合适。)这很好。
好吧，让我们说在机器运行的几天（或一周）。比方说，一些可预见的时间框架。
我理解，你在文章中的代码已经适合在发现的点上模拟交易，可以直接使用。)这很好。
好吧，让我们说在机器运行的几天内。
该算法本身是有效的，不需要（除非你太挑剔）额外的工作，而具有理想ZZ的代码片段可以作为交易模拟，但需要一些额外的工作。
在几天之内？- 不，我认为你可以更快地得到一个好的结果，在几个小时甚至几分钟内。在文章中，搜索的时间大概是几秒钟，但有100条。当然，在你的情况下，它可能需要更长的时间。你可以通过实验来估计历时的数量，这样你就能以指定的精度获得结果，并满足时间限制。
该算法本身是有效的，不需要（除非你太挑剔）进行一些微调，但具有完美ZZ的代码部分原则上可以作为贸易模拟，并进行一些微调。
在几天之内？- 不，我认为你可以更快地得到一个好的结果，在几个小时甚至几分钟内。在文章中，搜索的时间大概是几秒钟，但有100条。当然，在你的情况下，它可能需要更长的时间。你可以试验性地调整历时的数量，以便获得所需精度的结果并满足时间要求。
所以。谢谢你。我会试一试的。我想为整个历史上的分钟柱产生输入。然后我就把它们放在我的实验中。
你的工作做得不错。而理想条目不一定与ZZ逻辑相吻合的事实是一个非同小可的重要结论。
好的。谢谢你。我会试一试的。我想为整个历史上的分钟柱产生输入。然后我就把它们放在我的实验中。
你的工作做得不错。而理想的输入不一定与ZZ逻辑相吻合的事实，是一个非同小可的重要结论。
也谢谢你。很少有人注意到黑体字，因为某些原因......
我想补充一下。文章在优化 PPI时考虑了仪器的平均价差，但现在我倾向于认为，优化应该在没有价差的情况下进行，而价差必须在测试过程中考虑。
也谢谢你。很少有人注意到黑体字，因为某些原因......
我想补充一下。文章在优化WPI时考虑了工具的平均点差，但现在我倾向于，或者说肯定地认为，优化应该在没有点差的情况下进行，而测试交易运行应该在点差的情况下进行。
LSTM我们将在后面看。
目前，我和我的同事已经得出了R^2 0.2的测试结果。几个卷积滤波器和全连接层中的几个神经元。我们的想法是，那里不需要复发。我们需要的是正确提取特征。
到目前为止，我的问题的结果如下（测试集上的所有R^2得分）。
自回归移动平均模型：0.14
MLP（完全连接的NN）：0.12-0.15
GBM：0.1
卷积网（简单，没有发展好）：至少0.2
因此，模拟的依赖性确实已经变成了不那么简单，流行的方法也失败了。我们将改进卷积网络。
如果有人有时间尝试解决这个问题（用一些递归网络），请分享结果。
到目前为止，我的问题的结果如下（所有测试集上的R^2估计）。
自回归移动平均模型：0.14
MLP（完全连接的NN）：0.12-0.15
GBM：0.1
卷积网（简单，没有发展好）：至少0.2
因此，模拟的依赖性确实已经变成了不那么简单，流行的方法也失败了。我们将改进卷积网络。
如果有人有时间尝试解决这个问题（用一些递归网络），请分享结果。
我也在努力解决我的问题。我还使用了卷积NS，上面有完全连接层。
我在测试中 得到的R^2 的最佳结果是0.23 。
这似乎是天花板。增加网络的复杂性并不能带来任何好处。但该网络的输出并不完美。这是对模型的反应的点图。预计会有一个狭长的倾斜云。事实上，可以看出，复杂的响应函数并没有被网络完全模拟（跳跃没有被识别）。网络产生的功能比我布置的要顺畅得多。
也许熟悉NS的人对这样一个复杂的函数如何建模会有一些想法（例子）。
增加层数，神经元的数量？
事实上，在没有准备输入变量的情况下，所有流行的方法都已经合并了。转换真的可以潜在地提取所需的特征（通过积分、微分、非线性平滑），而且NS已经从它们那里正常学习了。这就是卷积的力量。
顺便说一下，佩雷文科先生在他关于神经网络的文章中没有说过这种类型的网络。好吧，我发现整篇文章中只有一处提到。而且还可以揭示出对时间序列的适用性问题（深思熟虑）。
ǞǞǞ
你，最重要的是，给予更多的投入。
还有培训实例。
你，最重要的是，给予更多的投入。
还有培训实例。
隐蔽层中的神经元越多--神经元可以描述的功能就越复杂，你需要更多的隐蔽层和其中的神经元。
但问题是，神经元使用连续的加法和乘法（例如激活函数的sigmoids）来描述目标，也就是说，你显然不会得到你的原始函数，而是某种近似。而结果可能是，这个近似值会记住训练数据中的一些特征，所以它在新数据中不能正确工作。因此，有时你需要停止训练，看看测试样本的误差是否减少，如果一切正常，再继续训练。在某些时候，测试数据上的错误会开始增长，然后必须完全停止训练。
另外，神经元键的输出受激活函数的限制。对于流行的--sigmoid是（0;1），relu是[0;inf]。目标值需要缩放到不同的区间，你在区间（-7;7）的输出对许多软件包来说根本无法实现。