交易中的机器学习：理论、模型、实践和算法交易 - 页 1492

[Forester]

马克西姆-德米特里耶夫斯基。

是的，然后在未来检测它们，并选择一个在这个特定集群上运行良好的模型

你也可以直接把它作为一个特征归档，NS/Forest会自己建立子模型。

[Forester]

马克西姆-德米特里耶夫斯基。

https://radfiz.org.ua/files/temp/Lab1_16/alglib-3.4.0.csharp/csharp/manual.csharp.html#example_mcpd_simple1

在这里发现了一些例子，搜索 "Markov"。

下面是一些更多的例子https://csharp.hotexamples.com/examples/-/mcpd.mcpdreport/-/php-mcpd.mcpdreport-class-examples.html

[Igor Makanu]

关于Habra的NS培训的有趣文章（只是阅读）用神经网络恢复照片

最有价值的，像往常一样，是用户的评论--在整个文章中，作者描述了他工作中的一个重大突破，像往常一样与第三方软件进行比较，但用户立即指出了缺陷--绿色的主导地位。

结论 - 输入数据的准备比NS培训技术本身更重要

[Alexander_K]

伊戈尔-马卡努。

结论是，输入数据的准备比NS训练技术本身更重要。

巫师在10亿页前就说过这个问题。

先生们，你们什么时候才能学会倾听对方的意见？这种乡下人的狭隘和愚蠢是怎么回事？这真的很烦人，令人气愤。

[Petros Shatakhtsyan]

伊戈尔-马卡努。

关于Habra的NS培训的有趣文章（只是阅读）用神经网络恢复照片

最有价值的，像往常一样，是用户的评论--在整个文章中，作者描述了他工作中的一个重大突破，像往常一样与第三方软件进行比较，但用户立即指出了缺陷--绿色的主导地位。

结论 - 输入数据的准备比训练NS的技术更重要

关键是图片不动，不改变，指纹也是如此。而在模式识别中，机器学习是不可缺少的。

但当MO应用于外汇的历史数据时，它只会造成一种错觉，即它已经找到了最佳选择。

而事实上，它只是学会了如何绕过历史上所有的危险区域，从而形成了一个巨大的收益图。

但是，定价是一个动态的过程，总是在不断变化和前进，没有人能够猜到价格的走向：因此，基于机器学习的机器人在实际交易中总会在异常情况 下犯错。

[Igor Makanu]

佩特罗斯-沙塔赫兹扬。

但当MO应用于外汇的历史数据时，它只会造成一种错觉，即它已经找到了最佳选择。

而实际上，他只是在历史上学会了绕开所有的危险区域，从而获得了巨大的收益图。

看完这些https://habr.com/ru/post/443240/

但它也不是那么糟糕，我将尝试第一百次表明我的观点：MO不比GA策略测试器好，也不比GA策略测试器差。

但这仍然是一个非常有趣的话题，它很吸引人 ))))

[Maxim Dmitrievsky]

elibrarius。
下面是一些更多的例子https://csharp.hotexamples.com/examples/-/mcpd.mcpdreport/-/php-mcpd.mcpdreport-class-examples.html

嗯，事实证明，它很容易应用。从例子1来看。

我们设定了状态的数量，以及转换的序列（比如说，历史的）。即处于某一特定状态的概率。然后它计算所有州的总概率。

或者在MAshki上做一个简单的例子作为开头，但到目前为止我还是不知道怎么做，也许@mytarmailS 会解释。

//+------------------------------------------------------------------+
//|                                                          HMM.mq5 |
//|                        Copyright 2018, MetaQuotes Software Corp. |
//|                                             https://www.mql5.com |
//+------------------------------------------------------------------+
#property copyright "Copyright 2018, MetaQuotes Software Corp."
#property link      "https://www.mql5.com"
#property version   "1.00"
#include <Math\Alglib\dataanalysis.mqh>
CMCPDState states;
CMCPDReport report;
CMatrixDouble track0, track1, results;

//+------------------------------------------------------------------+
//| Script program start function                                    |
//+------------------------------------------------------------------+
void OnStart()
  {
//---
   track0.Resize(5, 2);
   track1.Resize(4,2);
   
   track0[0].Set(0, 1.0);
   track0[0].Set(1, 0.0);
   
   track0[1].Set(0, 0.95);
   track0[1].Set(1, 0.05);
   
   track0[2].Set(0, 0.92750);
   track0[2].Set(1, 0.07250);
   
   track0[3].Set(0, 0.91738);
   track0[3].Set(1, 0.08263);
   
   track0[4].Set(0, 0.91282);
   track0[4].Set(1, 0.08718);
   
   track1[0].Set(0, 0.8);
   track1[0].Set(1, 0.2);
   
   track1[1].Set(0, 0.86);
   track1[1].Set(1, 0.14);
   
   track1[2].Set(0, 0.887);
   track1[2].Set(1, 0.113);
   
   track1[3].Set(0, 0.89915);
   track1[3].Set(1, 0.10085);
   
   CMarkovCPD::MCPDCreate(2, states);
   CMarkovCPD::MCPDAddTrack(states, track0, 5);
   CMarkovCPD::MCPDAddTrack(states, track1, 4);
   CMarkovCPD::MCPDSolve(states);
   CMarkovCPD::MCPDResults(states, results, report);
   
   for(int i=0;i<results.Size();i++)
     {
      Print(results[i][0]);
      Print(results[i][1]);
     }
  }
//+------------------------------------------------------------------+

[Maxim Dmitrievsky]

这里描述了这样一个带有MAs（非常简单）的策略

https://www.quantstart.com/articles/market-regime-detection-using-hidden-markov-models-in-qstrader

[Forester]

马克西姆-德米特里耶夫斯基。

嗯，事实证明，它很容易应用。从例子1来看。

我们设定了状态的数量，以及转换的序列（比如说，历史的）。即处于某一特定状态的概率。然后它计算所有州的总概率。

或者在MAshki上做一个简单的例子作为开端，但是到目前为止我还是不知道怎么做，也许@mytarmailS 会解释。

//+------------------------------------------------------------------+
//|                                                          HMM.mq5 |
//|                        Copyright 2018, MetaQuotes Software Corp. |
//|                                             https://www.mql5.com |
//+------------------------------------------------------------------+
#property copyright "Copyright 2018, MetaQuotes Software Corp."
#property link      "https://www.mql5.com"
#property version   "1.00"
#include <Math\Alglib\dataanalysis.mqh>
CMCPDState states;
CMCPDReport report;
CMatrixDouble track0, track1, results;

//+------------------------------------------------------------------+
//| Script program start function                                    |
//+------------------------------------------------------------------+
void OnStart()
  {
//---
   track0.Resize(5, 2);
   track1.Resize(4,2);
   
   track0[0].Set(0, 1.0);
   track0[0].Set(1, 0.0);
   
   track0[1].Set(0, 0.95);
   track0[1].Set(1, 0.05);
   
   track0[2].Set(0, 0.92750);
   track0[2].Set(1, 0.07250);
   
   track0[3].Set(0, 0.91738);
   track0[3].Set(1, 0.08263);
   
   track0[4].Set(0, 0.91282);
   track0[4].Set(1, 0.08718);
   
   track1[0].Set(0, 0.8);
   track1[0].Set(1, 0.2);
   
   track1[1].Set(0, 0.86);
   track1[1].Set(1, 0.14);
   
   track1[2].Set(0, 0.887);
   track1[2].Set(1, 0.113);
   
   track1[3].Set(0, 0.89915);
   track1[3].Set(1, 0.10085);
   
   CMarkovCPD::MCPDCreate(2, states);
   CMarkovCPD::MCPDAddTrack(states, track0, 5);
   CMarkovCPD::MCPDAddTrack(states, track1, 4);
   CMarkovCPD::MCPDSolve(states);
   CMarkovCPD::MCPDResults(states, results, report);
   
   for(int i=0;i<results.Size();i++)
     {
      Print(results[i][0]);
      Print(results[i][1]);
     }
  }
//+------------------------------------------------------------------+

在alglib中，按照我的理解（可能是错误的），你必须自己按所需的集群数量来编译轨道。在Python的那些例子中，你要求正确的集群数量，它将自己重新分配数据。

虽然如果分类，有2个类，我们可能可以按以下方式连锁：从0开始，直到变成1；从1开始，直到变成0。 由于我们没有中间的0.95，0.8等。

[Maxim Dmitrievsky]

elibrarius。

在alglib中，按照我的理解（可能是错误的），你必须自己按正确的簇数来编译轨道。而在那些Python例子中，你要求正确的集群数量，它就会自己重新分配数据。

虽然如果分类，有2个类，你可能可以这样连锁：从0开始，直到变成1；从1开始，直到变成0。 因为我们没有中间的0.95，0.8等。

我完全不明白它是如何运作的。你为什么不直接通过NS使用分类？

我不明白它如何在python中输出结果，包括新的数据。而在alglib中，如何在新的数据上获得预测状态，并对每个维度分别进行预测。每次都有太多的巴克利人。

而alglib似乎有问题，是一个不同的模型