交易中的机器学习：理论、模型、实践和算法交易 - 页 1494 1...148714881489149014911492149314941495149614971498149915001501...3399 新评论 Ilya Antipin 2019.06.03 11:15 #14931 我目前正在尝试使用ldhmm软件包。与几乎没有设置的depmixS4相比，这里根据分布类型（正态分布和lamda分布），最初设置了 几对 参数mu、sigma和lamda。计算混合分布P(x; mu, sigma, lamda)和过渡概率矩阵需要这些参数。根据AIC、 BIC、 MLLK标准，通过优化（MLE）这些值来构建模型 。下面是在测试器中对USDJPY-H1运行策略（买入/卖出）的第一个结果，从2018.08.20到2019.05.21。 这是一个没有 使用 维特比解码状态 而获得预测的变体 。我将用Viterbi做下一次运行。 [删除] 2019.06.03 11:57 #14932 伊利亚-安提平。我目前正在尝试使用ldhmm软件包。与几乎没有设置的depmixS4相比，在这里，根据分布类型（正态分布和lamda分布），参数mu、sigma和lamda被初步设置。计算混合分布P(x; mu, sigma, lamda)和过渡概率矩阵需要这些参数。根据AIC、 BIC、 MLLK标准，通过优化（MLE）这些值来构建模型 。下面是在测试器中对USDJPY-H1运行策略（买入/卖出）的第一个结果，从2018.08.20到2019.05.21。 这是一个没有 使用 维特比解码状态 而获得预测的变体 。下一次运行时，我将用维特比来做。 即2个隐藏状态n个观察到的状态？可以用某种方式可视化吗？ Ilya Antipin 2019.06.03 12:24 #14933 马克西姆-德米特里耶夫斯基。即2个隐藏状态n个观察状态？ 能否以某种方式可视化？我使用2个隐藏状态，时间序列长度为11000条。作为观察的时间序列，我使用对数返回： series[i] = MathLog(iOpen(NULL, 0, i) / iOpen(NULL, 0, i+1)) 。 Ilya Antipin 2019.06.03 12:48 #14934 该档案包含#14924号 帖子中的MQ4版本的RHMM指标。 附加的文件： RHMM.zip 122 kb Ilya Antipin 2019.06.03 13:03 #14935 马克西姆-德米特里耶夫斯基。奇怪的是，日志返回并已经有了一些结果，因为其中并没有多少信息 试试分数微分（你可以把度数从0.1到0.9），它应该比（指标）还要好。如果你把它设置为1.0，你将有相同的回报，但有单位滞后，如果你把它减少到0.1，你将得到更多的回报信息，但它们将保持静止。 我们来试试。 Igor Makanu 2019.06.03 16:57 #14936 圣杯。任何机器都可以通过培训变成圣杯。总的来说，它已经说了很多，几乎不取决于分类/回归方法 的选择，以及与 "指标"，顺便说一下，也很难被称为MO（如果优化）的事实。在测试器中优化指标可能是某种MO，但TS需要有一组 "自由度"--最后我们将得到历史上的拟合--我已经经历过了 有没有人得到一个在alglib上的logit-回归的例子？- 有一些想法，想测试一下 [删除] 2019.06.03 17:38 #14937 伊戈尔-马卡努。测试器中指标的优化可以是某种MO，但TS需要有多个 "自由度"--结果是，我们将得到一个与NS训练中一样的历史拟合--我已经经历了这个过程 有没有人得到一个在alglib上的logit-回归的例子？- 我有一些想法，我想去看看。我给了你匪徒，在PM上找找看。 或者我很快会用logit写一篇文章，今天刚决定完成它 ) Igor Makanu 2019.06.03 18:27 #14938 马克西姆-德米特里耶夫斯基。我给了你 "土匪"，在PM上查一下。 我很快会用logit写一篇文章，我今天才决定完成它 )是的，谢谢!我只是比你晚了几年，读了很多书，也看了YouTube，但材料是成吨的。 我只是想做和检查--只是在CA周围追逐MO--成功将像与一个正常的TS，唉，市场就是这样 但我可能会尝试将 "市场背景 "以对数回归的形式添加到一些稳健的TS中--即在测试后将所有交易评估为一种概率。 总而言之，现在有事情可做了 [删除] 2019.06.03 18:31 #14939 伊戈尔-马卡努。是的，谢谢!我只是比你晚了几年，我读了很多书，也看了YouTube，但有一吨的材料。 我想做的事和检查--只是在CA周围追赶MO--成功将与正常的TS一样，唉，市场就是这样。 但我可能会尝试将 "市场背景 "以对数回归的形式添加到一些稳健的TS中--即在测试后将所有交易评估为一种概率。 现在有一些事情要做。嗯，是的，你可以。我更看重优化器中的优化器。也就是说，超参数是由测试器中的遗传学来优化的（例如，窗口大小和内部优化器的参数），内部优化器一直在机器人内部工作。Logit是合适的，因为它速度快，虽然很原始。 另外，那些纯粹隐藏在Mql下的恶臭的边缘链也应该在某个地方找到：）很酷的东西 Igor Makanu 2019.06.03 18:35 #14940 马克西姆-德米特里耶夫斯基。Logit是合适的，因为它是快速的，尽管是原始的。是的，准确性总是使TS恶化--有某种对数回归图，这足以估计出概率。 我将阅读它，但我认为这可能是一个非常简单的任务--logit回归输出可能是50/50，低于0.5都是损失，高于0.5 takei，概率越高，takei越大。 我可能会试着把它形象化，也许我会试着把通道指示器画成那样，也许！"。))) 1...148714881489149014911492149314941495149614971498149915001501...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
我目前正在尝试使用ldhmm软件包。与几乎没有设置的depmixS4相比，这里根据分布类型（正态分布和lamda分布），最初设置了 几对 参数mu、sigma和lamda。计算混合分布P(x; mu, sigma, lamda)和过渡概率矩阵需要这些参数。根据AIC、 BIC、 MLLK标准，通过优化（MLE）这些值来构建模型 。下面是在测试器中对USDJPY-H1运行策略（买入/卖出）的第一个结果，从2018.08.20到2019.05.21。 这是一个没有 使用 维特比解码状态 而获得预测的变体 。我将用Viterbi做下一次运行。
我目前正在尝试使用ldhmm软件包。与几乎没有设置的depmixS4相比，在这里，根据分布类型（正态分布和lamda分布），参数mu、sigma和lamda被初步设置。计算混合分布P(x; mu, sigma, lamda)和过渡概率矩阵需要这些参数。根据AIC、 BIC、 MLLK标准，通过优化（MLE）这些值来构建模型 。下面是在测试器中对USDJPY-H1运行策略（买入/卖出）的第一个结果，从2018.08.20到2019.05.21。 这是一个没有 使用 维特比解码状态 而获得预测的变体 。下一次运行时，我将用维特比来做。
即2个隐藏状态n个观察到的状态？可以用某种方式可视化吗？
即2个隐藏状态n个观察状态？ 能否以某种方式可视化？
我使用2个隐藏状态，时间序列长度为11000条。作为观察的时间序列，我使用对数返回： series[i] = MathLog(iOpen(NULL, 0, i) / iOpen(NULL, 0, i+1)) 。
奇怪的是，日志返回并已经有了一些结果，因为其中并没有多少信息
试试分数微分（你可以把度数从0.1到0.9），它应该比（指标）还要好。如果你把它设置为1.0，你将有相同的回报，但有单位滞后，如果你把它减少到0.1，你将得到更多的回报信息，但它们将保持静止。
任何机器都可以通过培训变成圣杯。总的来说，它已经说了很多，几乎不取决于分类/回归方法 的选择，以及与 "指标"，顺便说一下，也很难被称为MO（如果优化）的事实。
在测试器中优化指标可能是某种MO，但TS需要有一组 "自由度"--最后我们将得到历史上的拟合--我已经经历过了
有没有人得到一个在alglib上的logit-回归的例子？- 有一些想法，想测试一下
测试器中指标的优化可以是某种MO，但TS需要有多个 "自由度"--结果是，我们将得到一个与NS训练中一样的历史拟合--我已经经历了这个过程
有没有人得到一个在alglib上的logit-回归的例子？- 我有一些想法，我想去看看。
我给了你匪徒，在PM上找找看。
或者我很快会用logit写一篇文章，今天刚决定完成它 )我给了你 "土匪"，在PM上查一下。
我很快会用logit写一篇文章，我今天才决定完成它 )是的，谢谢!我只是比你晚了几年，读了很多书，也看了YouTube，但材料是成吨的。
我只是想做和检查--只是在CA周围追逐MO--成功将像与一个正常的TS，唉，市场就是这样
但我可能会尝试将 "市场背景 "以对数回归的形式添加到一些稳健的TS中--即在测试后将所有交易评估为一种概率。
总而言之，现在有事情可做了
是的，谢谢!我只是比你晚了几年，我读了很多书，也看了YouTube，但有一吨的材料。
我想做的事和检查--只是在CA周围追赶MO--成功将与正常的TS一样，唉，市场就是这样。
但我可能会尝试将 "市场背景 "以对数回归的形式添加到一些稳健的TS中--即在测试后将所有交易评估为一种概率。
现在有一些事情要做。
嗯，是的，你可以。我更看重优化器中的优化器。也就是说，超参数是由测试器中的遗传学来优化的（例如，窗口大小和内部优化器的参数），内部优化器一直在机器人内部工作。Logit是合适的，因为它速度快，虽然很原始。
另外，那些纯粹隐藏在Mql下的恶臭的边缘链也应该在某个地方找到：）很酷的东西Logit是合适的，因为它是快速的，尽管是原始的。
是的，准确性总是使TS恶化--有某种对数回归图，这足以估计出概率。
我将阅读它，但我认为这可能是一个非常简单的任务--logit回归输出可能是50/50，低于0.5都是损失，高于0.5 takei，概率越高，takei越大。
我可能会试着把它形象化，也许我会试着把通道指示器画成那样，也许！"。)))