交易中的机器学习：理论、模型、实践和算法交易 - 页 1488 1...148114821483148414851486148714881489149014911492149314941495...3399 新评论 Alexander_K 2019.05.26 10:32 #14871 阿列克谢-维亚兹米 金。我们不得不假设，我们能做的就是开发一种最适合数据的算法，因为我们不知道未来，即使基于现有的预测值，也有很多变化。如果我们幸运的话，我们可能会发现一个将持续存在一段时间的模式，这就是为什么要用一定的标准来寻找这样的模式，逻辑上说，至少它应该是一个在整个样本中出现的模式。市场上只有一种模式，它将永远是--时间周期，时期：交易时段，日，周，......，以及它们的半周期。这些循环原则上是不可破坏的，形成了一个复杂的时间结构，并决定了一个样品的工作量。通过识别这个层次结构内的价格行为，交易系统将始终发挥作用。 Alexander_K 2019.05.26 10:56 #14872 市场本身就不是分形的。它只在时间段内具有自相似性的属性，在时间段内形成某些结构。每个气球的tick或任何其他样本的体积不能被选择--它必须是一些满足嵌套时间周期的定义值。 Forester 2019.05.26 11:09 #14873 Aleksey Vyazmikin: 标准算法是为处理静止现象、封闭系统而设计的，因此在那里，任何信息都被认为是先验有用的，它不以随机性来评估，而只是将其用于手头的任务（按目标分类）的可能性，而我们有很多噪音，我提出了一个处理它的逻辑方法。即培训领域成功行业的统一性？ 它在那里很好，因为适合于学习，精确到0%的误差。 我想应该是在通过深度减法或其他方法对模型进行规范化/粗化时。例如，在训练区的20%误差时停止。 我认为只有一个办法--在每个节点版本添加后，通过树的结果部分运行所有数据，并分析平衡线。 版本数=（特征数*树上的节点数*3（如果按四分位数划分））。* 树木的数量 这将需要很长的时间来计算，恐怕比NS还要长。 Aleksey Vyazmikin 2019.05.26 11:10 #14874 Alexander_K:市场上有一种模式，它将永远是--时间周期、时期：交易时段、日、周、......以及它们的半周期。这些循环原则上是不可破坏的，形成了一个复杂的时间结构，并决定了可以工作的样本量。通过确定价格在这个层次结构中的行为，交易系统将始终发挥作用。我不否认时间的重要性，但这不足以建立一个模型--你需要其他影响价格的变量。 Alexander_K 2019.05.26 11:22 #14875 Aleksey Vyazmikin: 我不否认时间的重要性，但这还不足以建立一个模型--你需要其他影响价格的变量。这就够了。 圣杯 正是在时间周期内坐镇。一个时间周期的结构是另一个时间周期的结构的一部分。 如果你与 一样 的样本量，对应于 不同的 严格定义的时间框架，这些嵌套结构就像在你的手掌上。 国家安全局不能处理它吗？我在没有神经网络的情况下，在我的TS中做到了这一点。 Aleksey Vyazmikin 2019.05.26 11:22 #14876 elibrarius。即培训领域成功行业的统一性？就我个人而言，我评估每一年（目前是5年）的财务结果，考虑到缩减和恢复因素，以及其他评价标准。目前，我甚至不看分类，因为有一个趋势策略，即使有35%的正确分类，也可能是年终（其他时期）的利润。 elibrarius。 它在那里很好，因为适合于学习，精确到0%的误差。问题是有多少棵树被用于此，以及基本上模型有多少内存。一棵树，有6个裂缝的深度，不能做这样的配合...... elibrarius。我猜它必须是通过规范化/用深度还原或其他方法加载模型。例如，在训练部分的20%误差时停止。我已经使用了分裂和完整性限制，是的，它应该在训练中使用。 elibrarius。我认为只有一个办法--在每个节点版本添加后，通过树的结果部分运行所有数据，并分析平衡线。 一个节点的版本数=（特征数*树上的节点数*3（如果按四分法划分））。* 树木的数量 这将需要很长的时间来计算，恐怕比NS还要长。 这将是更有效的，这是更重要的，最终将有更多的市场模型。 目前，我花了大约15天的时间进行计算--我得到了大约800片独特的叶子，平均有8片，其中一半是类似的，在时间间隔上显示出稳定的结果（而且检查仍然需要不小的机器时间）。即把800/8的计算速度放慢100倍，甚至会产生一个类似的结果。 Aleksey Vyazmikin 2019.05.26 11:25 #14877 Alexander_K: 够了，够了。圣杯正是在时间周期内坐镇。一个时间周期的结构是另一个时间周期的结构的一部分。如果你与 一样 的样本量，对应于 不同的 严格定义的时间段，那么这些嵌套结构就正好在你的手掌中。国家安全局不能处理它吗？我在我的TS中没有使用神经网络就做到了。我没有从中得到圣杯，虽然我的工作只是与分形的结构和相似性，即在不同的TF中嵌套时间。这还不够，也许我还没有意识到一切。 NS是一种工具，人脑可能会或可能不会更快更准确地找到解决方案... Forester 2019.05.26 11:56 #14878 阿列克谢-维亚兹米 金。就我个人而言，我评估每一年（目前是5年）的财务结果，考虑到缩减和恢复因素，以及其他评价标准。目前，我甚至不看分类，因为有一个趋势策略，即使有35%的正确分类，也可能是年终（其他时期）的利润。 问题是有多少棵树被用于此，以及基本上模型有多少内存。一棵树，有6个裂缝的深度，不能做这样的配合...... 分割和完整性约束是我已经在使用的，是的，它应该在训练中使用。 它将更有效率，这是最重要的事情，而最终的结果将是更有市场的模型。 目前，我花了大约15天的时间来计算--我得到了大约800片独特的叶子，其中平均有8片，其中一半是类似的，这在时间间隔上显示出稳定的结果（而且检查仍然需要不小的机器时间）。也就是说，将800/8的计算速度放慢100倍，甚至可以得到一个相当的结果。听起来你在做阀的前向测试。 我也是，但要用手。我认为这是评估模型的最佳方式。 还没有找到一个时间稳定的模型。向前/向后移动半年/一年，模型已经开始表现不佳或流失。即使是新训练的相同特征和相同的模型参数。也就是说，特征的重要性也在变化。 Aleksey Vyazmikin 2019.05.26 12:55 #14879 elibrarius。听起来你在做valking forward测试。 我也是，但要手动。我想这是评估模型的最好方法。 还没有找到一个时间稳定的模型。向前/向后移动半年/一年，模型已经开始表现不佳或流失。即使是新训练的相同特征和相同的模型参数。也就是说，功能的重要性也在变化。这就是为什么有必要在训练中考虑到所有这些，并在考虑到平衡的情况下进行拆分，然后对分类准确性的概率进行估计。有问题的部分应该直接进入交易禁令或99%的概率，然后在应用模型时就可以过滤掉了。 Forester 2019.05.26 13:03 #14880 阿列克谢-维亚兹米 金。这就是为什么有必要在训练中考虑到所有这些，并在考虑到（如果不是平衡的话）分类准确性概率的情况下进行拆分。有疑问的部分应禁止交易，或标记为99%的概率，然后在应用模型时可将其过滤掉。 根据分类的概率进行拆分。更准确地说，不是按概率，而是按分类误差。因为在训练演习中一切都知道，我们有确切的评价，而不是概率。 虽然有不同的分离方式，即对杂质的测量（左侧或右侧采样）。 1...148114821483148414851486148714881489149014911492149314941495...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
我们不得不假设，我们能做的就是开发一种最适合数据的算法，因为我们不知道未来，即使基于现有的预测值，也有很多变化。如果我们幸运的话，我们可能会发现一个将持续存在一段时间的模式，这就是为什么要用一定的标准来寻找这样的模式，逻辑上说，至少它应该是一个在整个样本中出现的模式。
市场上只有一种模式，它将永远是--时间周期，时期：交易时段，日，周，......，以及它们的半周期。这些循环原则上是不可破坏的，形成了一个复杂的时间结构，并决定了一个样品的工作量。通过识别这个层次结构内的价格行为，交易系统将始终发挥作用。
标准算法是为处理静止现象、封闭系统而设计的，因此在那里，任何信息都被认为是先验有用的，它不以随机性来评估，而只是将其用于手头的任务（按目标分类）的可能性，而我们有很多噪音，我提出了一个处理它的逻辑方法。
即培训领域成功行业的统一性？
它在那里很好，因为适合于学习，精确到0%的误差。
我想应该是在通过深度减法或其他方法对模型进行规范化/粗化时。例如，在训练区的20%误差时停止。
我认为只有一个办法--在每个节点版本添加后，通过树的结果部分运行所有数据，并分析平衡线。
版本数=（特征数*树上的节点数*3（如果按四分位数划分））。* 树木的数量
这将需要很长的时间来计算，恐怕比NS还要长。
市场上有一种模式，它将永远是--时间周期、时期：交易时段、日、周、......以及它们的半周期。这些循环原则上是不可破坏的，形成了一个复杂的时间结构，并决定了可以工作的样本量。通过确定价格在这个层次结构中的行为，交易系统将始终发挥作用。
我不否认时间的重要性，但这不足以建立一个模型--你需要其他影响价格的变量。
我不否认时间的重要性，但这还不足以建立一个模型--你需要其他影响价格的变量。
这就够了。
圣杯 正是在时间周期内坐镇。一个时间周期的结构是另一个时间周期的结构的一部分。
如果你与 一样 的样本量，对应于 不同的 严格定义的时间框架，这些嵌套结构就像在你的手掌上。
国家安全局不能处理它吗？我在没有神经网络的情况下，在我的TS中做到了这一点。
即培训领域成功行业的统一性？
就我个人而言，我评估每一年（目前是5年）的财务结果，考虑到缩减和恢复因素，以及其他评价标准。目前，我甚至不看分类，因为有一个趋势策略，即使有35%的正确分类，也可能是年终（其他时期）的利润。
它在那里很好，因为适合于学习，精确到0%的误差。
问题是有多少棵树被用于此，以及基本上模型有多少内存。一棵树，有6个裂缝的深度，不能做这样的配合......
我猜它必须是通过规范化/用深度还原或其他方法加载模型。例如，在训练部分的20%误差时停止。
我已经使用了分裂和完整性限制，是的，它应该在训练中使用。
我认为只有一个办法--在每个节点版本添加后，通过树的结果部分运行所有数据，并分析平衡线。
一个节点的版本数=（特征数*树上的节点数*3（如果按四分法划分））。* 树木的数量
这将需要很长的时间来计算，恐怕比NS还要长。
这将是更有效的，这是更重要的，最终将有更多的市场模型。
目前，我花了大约15天的时间进行计算--我得到了大约800片独特的叶子，平均有8片，其中一半是类似的，在时间间隔上显示出稳定的结果（而且检查仍然需要不小的机器时间）。即把800/8的计算速度放慢100倍，甚至会产生一个类似的结果。
够了，够了。
圣杯正是在时间周期内坐镇。一个时间周期的结构是另一个时间周期的结构的一部分。
如果你与 一样 的样本量，对应于 不同的 严格定义的时间段，那么这些嵌套结构就正好在你的手掌中。
国家安全局不能处理它吗？我在我的TS中没有使用神经网络就做到了。
我没有从中得到圣杯，虽然我的工作只是与分形的结构和相似性，即在不同的TF中嵌套时间。这还不够，也许我还没有意识到一切。
NS是一种工具，人脑可能会或可能不会更快更准确地找到解决方案...
就我个人而言，我评估每一年（目前是5年）的财务结果，考虑到缩减和恢复因素，以及其他评价标准。目前，我甚至不看分类，因为有一个趋势策略，即使有35%的正确分类，也可能是年终（其他时期）的利润。
问题是有多少棵树被用于此，以及基本上模型有多少内存。一棵树，有6个裂缝的深度，不能做这样的配合......
分割和完整性约束是我已经在使用的，是的，它应该在训练中使用。
它将更有效率，这是最重要的事情，而最终的结果将是更有市场的模型。
目前，我花了大约15天的时间来计算--我得到了大约800片独特的叶子，其中平均有8片，其中一半是类似的，这在时间间隔上显示出稳定的结果（而且检查仍然需要不小的机器时间）。也就是说，将800/8的计算速度放慢100倍，甚至可以得到一个相当的结果。
听起来你在做阀的前向测试。
我也是，但要用手。我认为这是评估模型的最佳方式。
还没有找到一个时间稳定的模型。向前/向后移动半年/一年，模型已经开始表现不佳或流失。即使是新训练的相同特征和相同的模型参数。也就是说，特征的重要性也在变化。
听起来你在做valking forward测试。
我也是，但要手动。我想这是评估模型的最好方法。
还没有找到一个时间稳定的模型。向前/向后移动半年/一年，模型已经开始表现不佳或流失。即使是新训练的相同特征和相同的模型参数。也就是说，功能的重要性也在变化。
这就是为什么有必要在训练中考虑到所有这些，并在考虑到平衡的情况下进行拆分，然后对分类准确性的概率进行估计。有问题的部分应该直接进入交易禁令或99%的概率，然后在应用模型时就可以过滤掉了。
这就是为什么有必要在训练中考虑到所有这些，并在考虑到（如果不是平衡的话）分类准确性概率的情况下进行拆分。有疑问的部分应禁止交易，或标记为99%的概率，然后在应用模型时可将其过滤掉。
虽然有不同的分离方式，即对杂质的测量（左侧或右侧采样）。