交易中的机器学习：理论、模型、实践和算法交易 - 页 1614 1...160716081609161016111612161316141615161616171618161916201621...3399 新评论 Aleksey Vyazmikin 2020.03.17 07:01 #16131 阿列克谢-尼古拉耶夫。 例如，如果所有的策略都只做BUY，那么就可能归结为尽量减少它们在时间上的交集（尽量减少相关关系，这总是正的）。如果允许 "买入 "和 "卖出"，时间交叉可以用来相互补偿策略的不良部分（负相关通常对投资组合有利）。 我想，可以简单地通过策略的时间和它们重叠的时间来确定相关性。 一般来说，我同意对不同方向的信号进行相互补偿，但在我的情况下，我需要应用不同的策略，并为每个策略做一个标记--这是另一首歌曲，但我也打算应用它。 但要找到类似的策略，以便从一组中选择它们或划分它们的风险（手数），我们不仅要考虑进入和退出时间，还要考虑进入方向。我应该考虑如何做得更好。 Forester 2020.03.17 07:48 #16132 阿列克谢-维亚兹米 金。 你说它做得很完美是什么意思？我不是手动做的，我写了一个脚本，按照我现在看到的方式做。 在我的情况下，理想的做法是对每个预测值的变体进行单独评估。而且，我想把放大一个目标的预测器的激活范围合并到一个预测器中，我知道的网格不会通过依次划分范围来做到这一点，类似于把排位中的预测器合并到疏散（通过建立一个节点）与另一个预测器。到目前为止，在理论上。 什么样的分区网格会将范围聚集在一个单一的分割中，消除中间值，如下图中的值1和4？ 完美--在根据分割估计函数完全准确的意义上。它将评估数以千计的选项并记住最好的一个，它将成为一个节点。 训练24个标准森林/boosts是最容易的，每个人都要喂养相应时间的预测器。 Aleksey Vyazmikin 2020.03.17 08:03 #16133 elibrarius: 完美--在根据分割评估功能完全准确的意义上。它评估数以千计的选择，并记住最好的一个，这成为节点。 这显然是根据算法的，但哪种算法是正确的？只有在CatBoost 中，才有3种构建网格的算法。 elibrarius: 最简单的方法是训练24个标准森林/鸨母，每个人都喂养适当小时的预测器。 这将使样本减少大约24倍（而我的样本已经很小了），然后，观察建树的贪婪原则（并不总是正确的，正如我在分裂树的实验中发现的那样），我们将只选择那些预测者进行分支树，而这些预测者恰恰在某一特定时间内统计上具有最佳概率。但在我看来，我们应该找到预测因子并将其放入树中，即那些独立于其他条件性在整个样本中提供优势的预测因子，然后我们将得到的不是对一天中某个具体小时的拟合（从条件上更精确地描述一个事件的激活），而是一个独立概率在一片叶子中的积累。 mytarmailS 2020.03.17 08:08 #16134 阿列克谢-维亚兹米 金。 这是一个检查预测值范围的预测能力的算法，并试图分割范围内的部分，使其更好地突出预测能力。假设有一个有3个目标的样本，样本分布为1-24%，2-50%，3-26%，有一些预测值的范围，所以网格的目标是找到预测值的区域，例如目标1将被 "预测 "超过24%，分割将突出这个区域。有不同的算法变体来构建这种网格。 有趣的想法，但这样做不是更容易吗...？ p.1）我们有某种机器学习算法。医学 p.2）有一个样本，被分为火车和测试。 第3页）有一个价格是根据某种原则（时间、图形模式、全部在一起、其他......）聚集起来的（它可能被认为是一个市场情况或只是一个集群） pp.应该有很多或非常多的群组 行动的算法 : 1）在托盘上教授MO 2）使用半预测模型预测测试。 3) 在测试中，我们确定那些模型预测无误的点，我们称它们为XT（好点）。 4) 每个ht对应于上面第3步中的一个集群... 就这样，现在我们知道了该模型在市场的哪些群组（状态）中善于交易。集群（状态）就像你的网格的类似物，也就是说，我们试图通过集群（状态）来决定什么可以预测，什么不可以预测... 但这两种方法都有概念上的问题，应该首先解决。问题甚至不在于方法，而在于信息的呈现方式。 Aleksey Vyazmikin 2020.03.17 08:49 #16135 mytarmailS: 第3页）有一个价格根据某种原则（时间、图形模式、所有的一起，其他的......）聚集在一起（它可以被认为是一个市场条件或只是一个集群）。pp.应该有很多或非常多的群组 这里我不明白，你是建议把目标加价点的裸价拿出来，然后把它们聚在一起还是什么？ mytarmailS: 3) 在测试过程中，我们确定那些模型预测无误的点，让我们称它们为HT（好点）。4) 每个ht对应于上面第3步中的一个集群...就这样，现在我们知道了该模型在市场的哪些群组（状态）中善于交易。集群（状态）就像你的网格的类似物，也就是说，我们试图用集群来划分我们能预测的和不能预测的东西。 这个想法很有趣，但它的原理与我的建议无关，或者说我没有完全理解它。我们发现，该模型激活了一定比例的集群，然后该如何处理？我明白，我们必须看哪片叶子（如果我们谈论的是一棵树）激活了多少个集群，如果叶子激活一个集群的频率高得多，它只会说它已经学会了识别它。这里可能是很大比例的叶子在不同的簇上均匀 正确地激活，这显然表明是随机的。同样，你必须确定聚类算法 - 确保结果是独特的聚类，而不是许多相似的聚类... Forester 2020.03.17 08:50 #16136 阿列克谢-维亚兹米 金。 这显然是根据算法的，但哪种算法是正确的？只有CatBoost有3种算法来构建网格。 这将使样本减少大约24倍（而我的样本已经很小了），然后，遵守贪婪建树的原则（这并不总是真的，从我的分树实验中发现），我们将只选择那些预测者进行分树，这是在特定的小时统计学上有最好的概率，但我认为我们需要找到标志并把它们放在树上，那些，不管其他条件给整个样本的优势，那么你得到的不是一天中特定小时的调整（条件）。 你在哪里减少样本有什么区别？在外面，通过制作24个森林，还是在里面，例如通过添加以小时分隔的前24个节点？从这24个节点中，每个剩余的分支将占用1/24的样本。 Forester 2020.03.17 09:12 #16137 顺便说一下，我不喜欢升压的地方是，推荐的树深是7-10。 也就是说，如果我们有100个预测器，而且划分从每个预测器的中间开始。我们很可能会有7个不同的预测者被分在中间。也许1或2个会分到四分之一，不太可能更小。 或者在提升算法中，算法不是通过半除法工作，而是以较小的块数工作？有谁知道吗？ 而谁使用什么树的深度？ Aleksey Vyazmikin 2020.03.17 09:12 #16138 elibrarius: 你在哪里减少采样有什么区别？在外面，通过制作24个森林，还是在里面，例如通过增加前24个节点的分时钟？从这24个节点中，每个剩余的分支将占用1/24的样本。 这不是关于减少，而是关于预测者行为对分裂外的样本的统计--这应该减少选择预测者价值的随机性。 顺便问一下，AlgLib是在每次分割时都做网格，还是只做一次，然后使用该网格？据我所知，CatBoost 的开发者声称，网格是由他们完成一次的。 mytarmailS 2020.03.17 09:16 #16139 阿列克谢-维亚兹米 金。 我不明白，你是建议采取目标加价点的裸价，并将其分组还是什么？ 目标是你的，任何目标......我有点纠结 .... 你只需要为一个目标提供集群。 在这里，我们发现测试新的HT，并接受它们是好的...。 现在，在新的数据上，我们需要找到这个TX来应用模型，因为模型只在TX上运行良好，而我们如何在新的数据上识别它呢？ 作为一个选项，由群集号来识别 Aleksey Nikolayev 2020.03.17 09:18 #16140 Aleksey Vyazmikin: 一般来说，我同意不同方向信号的相互补偿，但在我的情况下，我需要使用不同的策略，并为每个策略做一个标记 - 这是另一首歌曲，但我也打算使用它。但要找到类似的策略，以便从一组中选择它们或划分它们的风险（手数），我们不仅要考虑进入和退出时间，还要考虑进入方向。我必须思考如何做得更好。 我将把这个想法带到它的逻辑结论。假设我们在一个资产上有一套系统。每个系统在入市时都保持固定量的位置，但方向可以变化。策略的回报和波动率是已知的。让我们用公式（t1-t2）/sqrt（T1*T2）来定义策略之间的相关性，其中T1和T2是它们在市场上的时间长度，t1和t2是这些策略同时在市场上并分别指向相同和相反方向的时间长度。这是在价格接近SB的假设下得出的一个简化公式。现在有了所有的数据，可以应用马科维茨理论 来寻找最佳投资组合。 显然，用这种方式我们不会得到任何有意义的投资组合（至少因为只使用了一种资产）。我们需要进行一些修改。 1）改变优化算法（参数限制、惩罚）。澄清战略之间的关联性的定义。 2）在创建战略的时候就已经对投资组合进行优化。也就是说，根据投资组合的最优性条件来寻找对它们的策略。目前还不太清楚如何以一种实际适用的方式将其正式化，但这种方法在总体上似乎更符合逻辑。虽然，正如你已经写的那样，这将需要重写算法，等等。不知道这是否值得麻烦。 1...160716081609161016111612161316141615161616171618161916201621...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
例如，如果所有的策略都只做BUY，那么就可能归结为尽量减少它们在时间上的交集（尽量减少相关关系，这总是正的）。如果允许 "买入 "和 "卖出"，时间交叉可以用来相互补偿策略的不良部分（负相关通常对投资组合有利）。
我想，可以简单地通过策略的时间和它们重叠的时间来确定相关性。
一般来说，我同意对不同方向的信号进行相互补偿，但在我的情况下，我需要应用不同的策略，并为每个策略做一个标记--这是另一首歌曲，但我也打算应用它。
但要找到类似的策略，以便从一组中选择它们或划分它们的风险（手数），我们不仅要考虑进入和退出时间，还要考虑进入方向。我应该考虑如何做得更好。
你说它做得很完美是什么意思？我不是手动做的，我写了一个脚本，按照我现在看到的方式做。
在我的情况下，理想的做法是对每个预测值的变体进行单独评估。而且，我想把放大一个目标的预测器的激活范围合并到一个预测器中，我知道的网格不会通过依次划分范围来做到这一点，类似于把排位中的预测器合并到疏散（通过建立一个节点）与另一个预测器。到目前为止，在理论上。
什么样的分区网格会将范围聚集在一个单一的分割中，消除中间值，如下图中的值1和4？
完美--在根据分割估计函数完全准确的意义上。它将评估数以千计的选项并记住最好的一个，它将成为一个节点。
训练24个标准森林/boosts是最容易的，每个人都要喂养相应时间的预测器。
完美--在根据分割评估功能完全准确的意义上。它评估数以千计的选择，并记住最好的一个，这成为节点。
这显然是根据算法的，但哪种算法是正确的？只有在CatBoost 中，才有3种构建网格的算法。
最简单的方法是训练24个标准森林/鸨母，每个人都喂养适当小时的预测器。
这将使样本减少大约24倍（而我的样本已经很小了），然后，观察建树的贪婪原则（并不总是正确的，正如我在分裂树的实验中发现的那样），我们将只选择那些预测者进行分支树，而这些预测者恰恰在某一特定时间内统计上具有最佳概率。但在我看来，我们应该找到预测因子并将其放入树中，即那些独立于其他条件性在整个样本中提供优势的预测因子，然后我们将得到的不是对一天中某个具体小时的拟合（从条件上更精确地描述一个事件的激活），而是一个独立概率在一片叶子中的积累。
这是一个检查预测值范围的预测能力的算法，并试图分割范围内的部分，使其更好地突出预测能力。假设有一个有3个目标的样本，样本分布为1-24%，2-50%，3-26%，有一些预测值的范围，所以网格的目标是找到预测值的区域，例如目标1将被 "预测 "超过24%，分割将突出这个区域。有不同的算法变体来构建这种网格。
有趣的想法，但这样做不是更容易吗...？
p.1）我们有某种机器学习算法。医学
p.2）有一个样本，被分为火车和测试。
第3页）有一个价格是根据某种原则（时间、图形模式、全部在一起、其他......）聚集起来的（它可能被认为是一个市场情况或只是一个集群）
pp.应该有很多或非常多的群组
行动的算法 :
1）在托盘上教授MO
2）使用半预测模型预测测试。
3) 在测试中，我们确定那些模型预测无误的点，我们称它们为XT（好点）。
4) 每个ht对应于上面第3步中的一个集群...
就这样，现在我们知道了该模型在市场的哪些群组（状态）中善于交易。集群（状态）就像你的网格的类似物，也就是说，我们试图通过集群（状态）来决定什么可以预测，什么不可以预测...
但这两种方法都有概念上的问题，应该首先解决。问题甚至不在于方法，而在于信息的呈现方式。
第3页）有一个价格根据某种原则（时间、图形模式、所有的一起，其他的......）聚集在一起（它可以被认为是一个市场条件或只是一个集群）。
pp.应该有很多或非常多的群组
这里我不明白，你是建议把目标加价点的裸价拿出来，然后把它们聚在一起还是什么？
3) 在测试过程中，我们确定那些模型预测无误的点，让我们称它们为HT（好点）。
4) 每个ht对应于上面第3步中的一个集群...
就这样，现在我们知道了该模型在市场的哪些群组（状态）中善于交易。集群（状态）就像你的网格的类似物，也就是说，我们试图用集群来划分我们能预测的和不能预测的东西。
这个想法很有趣，但它的原理与我的建议无关，或者说我没有完全理解它。我们发现，该模型激活了一定比例的集群，然后该如何处理？我明白，我们必须看哪片叶子（如果我们谈论的是一棵树）激活了多少个集群，如果叶子激活一个集群的频率高得多，它只会说它已经学会了识别它。这里可能是很大比例的叶子在不同的簇上均匀 正确地激活，这显然表明是随机的。同样，你必须确定聚类算法 - 确保结果是独特的聚类，而不是许多相似的聚类...
这显然是根据算法的，但哪种算法是正确的？只有CatBoost有3种算法来构建网格。
这将使样本减少大约24倍（而我的样本已经很小了），然后，遵守贪婪建树的原则（这并不总是真的，从我的分树实验中发现），我们将只选择那些预测者进行分树，这是在特定的小时统计学上有最好的概率，但我认为我们需要找到标志并把它们放在树上，那些，不管其他条件给整个样本的优势，那么你得到的不是一天中特定小时的调整（条件）。
你在哪里减少样本有什么区别？在外面，通过制作24个森林，还是在里面，例如通过添加以小时分隔的前24个节点？从这24个节点中，每个剩余的分支将占用1/24的样本。
也就是说，如果我们有100个预测器，而且划分从每个预测器的中间开始。我们很可能会有7个不同的预测者被分在中间。也许1或2个会分到四分之一，不太可能更小。
或者在提升算法中，算法不是通过半除法工作，而是以较小的块数工作？有谁知道吗？
而谁使用什么树的深度？
你在哪里减少采样有什么区别？在外面，通过制作24个森林，还是在里面，例如通过增加前24个节点的分时钟？从这24个节点中，每个剩余的分支将占用1/24的样本。
这不是关于减少，而是关于预测者行为对分裂外的样本的统计--这应该减少选择预测者价值的随机性。
顺便问一下，AlgLib是在每次分割时都做网格，还是只做一次，然后使用该网格？据我所知，CatBoost 的开发者声称，网格是由他们完成一次的。
我不明白，你是建议采取目标加价点的裸价，并将其分组还是什么？
目标是你的，任何目标......我有点纠结 ....
你只需要为一个目标提供集群。
在这里，我们发现测试新的HT，并接受它们是好的...。
现在，在新的数据上，我们需要找到这个TX来应用模型，因为模型只在TX上运行良好，而我们如何在新的数据上识别它呢？ 作为一个选项，由群集号来识别
一般来说，我同意不同方向信号的相互补偿，但在我的情况下，我需要使用不同的策略，并为每个策略做一个标记 - 这是另一首歌曲，但我也打算使用它。
但要找到类似的策略，以便从一组中选择它们或划分它们的风险（手数），我们不仅要考虑进入和退出时间，还要考虑进入方向。我必须思考如何做得更好。
我将把这个想法带到它的逻辑结论。假设我们在一个资产上有一套系统。每个系统在入市时都保持固定量的位置，但方向可以变化。策略的回报和波动率是已知的。让我们用公式（t1-t2）/sqrt（T1*T2）来定义策略之间的相关性，其中T1和T2是它们在市场上的时间长度，t1和t2是这些策略同时在市场上并分别指向相同和相反方向的时间长度。这是在价格接近SB的假设下得出的一个简化公式。现在有了所有的数据，可以应用马科维茨理论 来寻找最佳投资组合。
显然，用这种方式我们不会得到任何有意义的投资组合（至少因为只使用了一种资产）。我们需要进行一些修改。
1）改变优化算法（参数限制、惩罚）。澄清战略之间的关联性的定义。
2）在创建战略的时候就已经对投资组合进行优化。也就是说，根据投资组合的最优性条件来寻找对它们的策略。目前还不太清楚如何以一种实际适用的方式将其正式化，但这种方法在总体上似乎更符合逻辑。虽然，正如你已经写的那样，这将需要重写算法，等等。不知道这是否值得麻烦。