交易中的机器学习：理论、模型、实践和算法交易 - 页 156 1...149150151152153154155156157158159160161162163...3399 新评论 Mihail Marchukajtes 2016.10.12 12:44 #1551 顺便说一下，长期的宇宙百分比是在5分钟内获得的，交易量也相应增加，所以.....，一切都适合....。 J.B 2016.10.12 12:44 #1552 阿列克谢-伯纳科夫。2）嗯，是的......但这个夏普2-3是如何计算的？基金是如何计算的，或者说他们如何确定这是真实交易的真实夏普估计值？重点是，在模型上，夏普是回报与风险的比率，有许多变化，什么算作回报，如愚蠢的增长百分比或回归的动态增长，而风险是CKO或最大缩减，等等。这些差异不是根本的，但如果2-3是一个现实，每个人都会成为亿万富翁，在真正的交易中，由于一些原因，它出来的东西少了许多倍，即使是由博士团队完成。但很多都与能力有关，如果许多模型的交易价格为10万美元，甚至高达1000万美元，情况就会好得多，但这甚至无法偿还投资和员工奖金的工资。 Alexey Burnakov 2016.10.12 12:57 #1553 J.B: 这就是模型的问题，夏普是收益与风险的比率，有许多变化，什么算作收益，如愚蠢的百分比增长或增长动态的回归，风险是CKO或最大跌幅，等等，这些差异不是根本的，但如果2-3是真实的，每个人都会成为亿万富翁，在真实的交易中，由于一些原因，它出来的次数少，即使由博士团队完成。但很多时候与那里的能力有关，如果许多模型的交易价格为10万美元，甚至高达1000万美元，情况会好得多，但这甚至无法偿还投资和员工奖金的工资。 博士并不是一个指标。再培训的效果将不亚于女士和B女士。因此，实际情况的指标急剧下降。 J.B 2016.10.12 13:21 #1554 阿列克谢-伯纳科夫。嗯，好吧。假设我不是把增长划分为上升/下降，而是建立一个回归模型。所以R^2或其他确定的指标（如稳健的绝对偏差指标）就可以了。关于相互信息--它是未经证实的，还是有强有力的证据表明该指标的工作不可靠？我有疑虑。更新： 我对使用相互信息的合成和真实数据做了很多研究。如果依赖关系是静止的，那么这个度量在任何地方都能很好地工作。如果依赖性处于噪声的边缘，那么度量可能显示为零依赖性。但总的来说，我看不出有什么理由它在多变量非线性系统中的表现会比例如F1差。你可以在这里阅读：https://habrahabr.ru/company/aligntechnology/blog/303750/但是，当我对一个增量价格运动进行分类时，我得到了大约以下的图片（对5个货币对一起，即一个模型适用于所有）。这至少是在50个待处理样本上的中位准确值，最高为57%的区域。对于个别货币对，我实现了60%以上的中位数准确率。这仅仅是在时间序列数据上。 对不起，没有时间给出确凿的证据，市场数据不是静止的，依赖性也不是线性的，比如在2D中模拟一个10维分形的噪音，像这样：红色的一类绿色的另一类，只有在10D中才有。 正如你所看到的，它不是高斯依赖关系，有很多 "岛屿 "等等。那么，请计算一下，在分类下降时，增加和删除一个维度时，使用相互信息或r^2 的效率是多少。R^2 通常是线性的，在复杂拓扑的分离超表面和许多岛屿的情况下，一切都很悲哀。这里不能没有经典的统计标准，你可以自己检查。如果有100d或1000d这样的混乱情况呢？ Alexey Burnakov 2016.10.12 13:39 #1555 J.B: 对不起，没有时间提供有力的证据，市场数据不是静止的，依赖性也不是线性的，比如在2D中模拟10维分形噪声，就像这样：红色的一类绿色的另一类只有在10D中才有。正如你所看到的，它不是高斯依赖性的很多，有 "岛屿 "等等。那么，请计算一下，在分类下降时，增加和删除一个维度时，使用相互信息或r^2 的效率是多少。R^2 通常是线性的，在复杂拓扑的分离超表面和许多岛屿的情况下，一切都很悲哀。这里不能没有经典的统计标准，你可以自己检查。如果有100d或1000d这样的混乱情况呢？这是不可以证明的...你不能理解我。我是说，我不是在分类，我是在建立一个回归模型。分类与它有什么关系...我没有运行任何超平面。我正在做一个目标中值的条件建模，并通过残差分析来衡量其质量。这就是它一直以来的做法。如果我们谈论的是分类，那么对某物的正态性要求就没有必要，例如，如果某物的概率接近于零。非线性和多维性只是相互信息的范围。我认为你在这个问题上不太了解...... Alexey Burnakov 2016.10.12 13:44 #1556 迪米特里。10%是存款负荷。如果你有1000美元的存款，你把它加载10%--你开了一个100美元的交易。现在，注意，根据你的经纪人/教练提供的杠杆，你可以购买不同的手数--10,000美元（1:100），5,000美元（1:50），20,000美元（1:200）。P.S. fuckerbaby........不要在一个轻松的话题中说脏话...让我们来算一算。 第一个例子。我有500美元。一个微型lot值1000美元。我用微型lot开了一笔交易（因为购买较大的金额不再适合内在的风险限制），因此使用1:2的杠杆。由于庄家给我的最大杠杆是1:100，我把存款装入2%，买入1000美元/100。第二个例子。如果我开了5笔交易，在相同的资本水平下，我把我的存款增加10%，并使用1:10的杠杆（0.01 * 100000 * 5 / 500）。 也就是说，所提供的最大杠杆率只取决于存款负荷的百分比，并让我有机会打开整个切口。所涉及的实际杠杆率由我决定。但对于我的投资来说，最低是1：2。现在一切都清楚了吗？ Дмитрий 2016.10.12 13:53 #1557 阿列克谢-伯纳科夫。 不要在一个轻松的话题中说脏话...让我们来算一算。 第一个例子。我有500美元。一个微型手的价格是1000美元。我用微型lot开了一笔交易（因为购买较大的金额不再适合内在的风险限制），因此使用1:2的杠杆。由于庄家给我的最大杠杆是1:100，我把存款装入2%，买入1000美元/100。如果我开了5笔交易，在相同的资本水平下，我把存款增加10%，并使用1:10的杠杆（0.01 * 100000 * 5 / 500）。 我们现在清楚了吗？你正在使用厨房为你提供的相同杠杆。你不改变杠杆率（它是给定的--一个常数），而是改变你在给定杠杆率下使用的资本量。再次强调--对于你的账户类型，厨房给你的杠杆率是多少？1:100? Alexey Burnakov 2016.10.12 14:05 #1558 迪米特里。你使用厨房为你提供的同样的杠杆。这不是你使用的杠杆（它是一个固定的常数），而是你在给定的杠杆下使用的资本量。再次强调--对于你的账户类型，厨房给你的杠杆率是多少？1:100?最大杠杆 - 是的，1:100。但我不使用它。再一次。 J.B 2016.10.12 14:07 #1559 Alexey Burnakov: 这并不具有证明力...你不能理解我。我说，我不做分类，我建立一个回归模型。分类与它有什么关系...我没有运行任何超平面。我正在做一个目标中值的条件建模，并通过残差分析来衡量其质量。这就是它一直以来的做法。如果我们谈论的是分类，那么对某物的正态性要求就没有必要，例如，如果某物的概率接近于零。非线性和多维性只是相互信息的范围。我认为你在这个问题上不太了解...... 那么，如何不进行分类，比如说1000个因素，一个深度神经网络 有很好的比如说100个输出，在不同的时间范围内给出一个给定的工具向上/向下运动的概率。那是一种退步吗？回归是指对价格进行预测。 你可以使用相互信息，而我们可能只是简单地看一下这些因素，并计算每个因素对最终预测的影响百分比，对于一个特定的模型，这就更糟糕了。googleNet在先进性方面的表现。我们不需要回归，我们不关心一项资产到底会值多少钱，这使模型复杂化，没有意义，主要的是在N秒内，它将以给定的概率向正确的方向移动。 Дмитрий 2016.10.12 14:11 #1560 阿列克谢-伯纳科夫。 最大的杠杆率是的，1:100。但我不使用它。我再说一遍。好吧，如果你不理解基本的东西，那么就没有必要争论了。简而言之，你必须将你的利益与对冲基金的百分比除以10左右。 1...149150151152153154155156157158159160161162163...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
2）嗯，是的......但这个夏普2-3是如何计算的？基金是如何计算的，或者说他们如何确定这是真实交易的真实夏普估计值？
重点是，在模型上，夏普是回报与风险的比率，有许多变化，什么算作回报，如愚蠢的增长百分比或回归的动态增长，而风险是CKO或最大缩减，等等。这些差异不是根本的，但如果2-3是一个现实，每个人都会成为亿万富翁，在真正的交易中，由于一些原因，它出来的东西少了许多倍，即使是由博士团队完成。但很多都与能力有关，如果许多模型的交易价格为10万美元，甚至高达1000万美元，情况就会好得多，但这甚至无法偿还投资和员工奖金的工资。
这就是模型的问题，夏普是收益与风险的比率，有许多变化，什么算作收益，如愚蠢的百分比增长或增长动态的回归，风险是CKO或最大跌幅，等等，这些差异不是根本的，但如果2-3是真实的，每个人都会成为亿万富翁，在真实的交易中，由于一些原因，它出来的次数少，即使由博士团队完成。但很多时候与那里的能力有关，如果许多模型的交易价格为10万美元，甚至高达1000万美元，情况会好得多，但这甚至无法偿还投资和员工奖金的工资。
嗯，好吧。
假设我不是把增长划分为上升/下降，而是建立一个回归模型。所以R^2或其他确定的指标（如稳健的绝对偏差指标）就可以了。
关于相互信息--它是未经证实的，还是有强有力的证据表明该指标的工作不可靠？我有疑虑。
更新： 我对使用相互信息的合成和真实数据做了很多研究。如果依赖关系是静止的，那么这个度量在任何地方都能很好地工作。如果依赖性处于噪声的边缘，那么度量可能显示为零依赖性。但总的来说，我看不出有什么理由它在多变量非线性系统中的表现会比例如F1差。你可以在这里阅读：https://habrahabr.ru/company/aligntechnology/blog/303750/
但是，当我对一个增量价格运动进行分类时，我得到了大约以下的图片（对5个货币对一起，即一个模型适用于所有）。
这至少是在50个待处理样本上的中位准确值，最高为57%的区域。对于个别货币对，我实现了60%以上的中位数准确率。这仅仅是在时间序列数据上。
对不起，没有时间给出确凿的证据，市场数据不是静止的，依赖性也不是线性的，比如在2D中模拟一个10维分形的噪音，像这样：红色的一类绿色的另一类，只有在10D中才有。
正如你所看到的，它不是高斯依赖关系，有很多 "岛屿 "等等。那么，请计算一下，在分类下降时，增加和删除一个维度时，使用相互信息或r^2 的效率是多少。R^2 通常是线性的，在复杂拓扑的分离超表面和许多岛屿的情况下，一切都很悲哀。这里不能没有经典的统计标准，你可以自己检查。如果有100d或1000d这样的混乱情况呢？
对不起，没有时间提供有力的证据，市场数据不是静止的，依赖性也不是线性的，比如在2D中模拟10维分形噪声，就像这样：红色的一类绿色的另一类只有在10D中才有。
正如你所看到的，它不是高斯依赖性的很多，有 "岛屿 "等等。那么，请计算一下，在分类下降时，增加和删除一个维度时，使用相互信息或r^2 的效率是多少。R^2 通常是线性的，在复杂拓扑的分离超表面和许多岛屿的情况下，一切都很悲哀。这里不能没有经典的统计标准，你可以自己检查。如果有100d或1000d这样的混乱情况呢？
这是不可以证明的...
你不能理解我。我是说，我不是在分类，我是在建立一个回归模型。分类与它有什么关系...我没有运行任何超平面。我正在做一个目标中值的条件建模，并通过残差分析来衡量其质量。这就是它一直以来的做法。
如果我们谈论的是分类，那么对某物的正态性要求就没有必要，例如，如果某物的概率接近于零。非线性和多维性只是相互信息的范围。我认为你在这个问题上不太了解......
10%是存款负荷。
如果你有1000美元的存款，你把它加载10%--你开了一个100美元的交易。
现在，注意，根据你的经纪人/教练提供的杠杆，你可以购买不同的手数--10,000美元（1:100），5,000美元（1:50），20,000美元（1:200）。
P.S. fuckerbaby........
不要在一个轻松的话题中说脏话...
让我们来算一算。
第一个例子。我有500美元。一个微型lot值1000美元。我用微型lot开了一笔交易（因为购买较大的金额不再适合内在的风险限制），因此使用1:2的杠杆。由于庄家给我的最大杠杆是1:100，我把存款装入2%，买入1000美元/100。
第二个例子。如果我开了5笔交易，在相同的资本水平下，我把我的存款增加10%，并使用1:10的杠杆（0.01 * 100000 * 5 / 500）。
也就是说，所提供的最大杠杆率只取决于存款负荷的百分比，并让我有机会打开整个切口。所涉及的实际杠杆率由我决定。但对于我的投资来说，最低是1：2。
现在一切都清楚了吗？
不要在一个轻松的话题中说脏话...
让我们来算一算。
第一个例子。我有500美元。一个微型手的价格是1000美元。我用微型lot开了一笔交易（因为购买较大的金额不再适合内在的风险限制），因此使用1:2的杠杆。由于庄家给我的最大杠杆是1:100，我把存款装入2%，买入1000美元/100。
如果我开了5笔交易，在相同的资本水平下，我把存款增加10%，并使用1:10的杠杆（0.01 * 100000 * 5 / 500）。
我们现在清楚了吗？
你正在使用厨房为你提供的相同杠杆。你不改变杠杆率（它是给定的--一个常数），而是改变你在给定杠杆率下使用的资本量。
再次强调--对于你的账户类型，厨房给你的杠杆率是多少？1:100?
你使用厨房为你提供的同样的杠杆。这不是你使用的杠杆（它是一个固定的常数），而是你在给定的杠杆下使用的资本量。
再次强调--对于你的账户类型，厨房给你的杠杆率是多少？1:100?
最大杠杆 - 是的，1:100。但我不使用它。再一次。
这并不具有证明力...
你不能理解我。我说，我不做分类，我建立一个回归模型。分类与它有什么关系...我没有运行任何超平面。我正在做一个目标中值的条件建模，并通过残差分析来衡量其质量。这就是它一直以来的做法。
如果我们谈论的是分类，那么对某物的正态性要求就没有必要，例如，如果某物的概率接近于零。非线性和多维性只是相互信息的范围。我认为你在这个问题上不太了解......
那么，如何不进行分类，比如说1000个因素，一个深度神经网络 有很好的比如说100个输出，在不同的时间范围内给出一个给定的工具向上/向下运动的概率。那是一种退步吗？回归是指对价格进行预测。
你可以使用相互信息，而我们可能只是简单地看一下这些因素，并计算每个因素对最终预测的影响百分比，对于一个特定的模型，这就更糟糕了。googleNet在先进性方面的表现。我们不需要回归，我们不关心一项资产到底会值多少钱，这使模型复杂化，没有意义，主要的是在N秒内，它将以给定的概率向正确的方向移动。
最大的杠杆率是的，1:100。但我不使用它。我再说一遍。
好吧，如果你不理解基本的东西，那么就没有必要争论了。
简而言之，你必须将你的利益与对冲基金的百分比除以10左右。