交易中的机器学习：理论、模型、实践和算法交易 - 页 1639 1...163216331634163516361637163816391640164116421643164416451646...3399 新评论 Aleksey Nikolayev 2020.03.24 10:44 #16381 阿列克谢-维亚兹米 金。 我完全同意。 我曾多次想过这个问题，我认为有必要将一个系统的结果与它在某一领域的潜力进行比较。 我今天就在想这个问题，如何做得更好、更普遍。我想象中的学习过程由几个步骤组成，其中第一个步骤是样本标记，你可以根据一些信号策略来标记。这些策略应该是原始的，但有潜力，例如，价格的MA交叉产生了这种交叉方向的进入信号，反之亦然。那么训练只是一种过滤掉错误信号的方法。如果接受这样的假设，我们可以计算出这种过滤在每个时间间隔内的有效百分比。最简单的是计算相对于基本策略的分类的准确性和完整性。还有其他选择--度量衡。然后我们可以看到模型的有效性如何变化，即使它开始亏损。 在一套完整的原始但有意义的系统基础上建立一个系统，似乎也是一个好主意。完整性意味着有可能从这套系统中为任何一块报价挑选出有利可图的系统。有意义的东西大致上就是你所说的潜力。然后，我将从这套作品中建立一个组合，其权重取决于时间。 Aleksey Nikolayev 2020.03.24 10:51 #16382 叶夫根尼-迪尤卡。 我有练习。从上次培训开始，一个月内我没有发现任何变化，即使在比特币大量流失后也是如此。唯一影响它的是紧接着被操纵的资产运动之后的时期，在这段时间里，神经元完全迷失，胡言乱语，离这种风暴越远，谓语就越充分。 实践通常表明，"树木永远不会长到天上去"。任何EA/投资组合的资产/余额迟早会开始大幅减少，必须对此采取一些措施。 sibirqk 2020.03.24 13:00 #16383 阿列克谢-尼古拉耶夫。 令人相当不安的是，在这个问题上，非平稳性的问题几乎完全被忽略了。出于某种原因，人们认为过去发现的模式在未来也会起作用，如果它们不起作用，那么就发生了过度学习。但是，很有可能随着时间的推移，一些模式根本就不再起作用了--逐渐地，甚至是飞跃式地（例如，由于像目前这样的危机）。 我看到的问题是，IO模式很复杂，而且人类的解释能力很差。如果它们开始表现不佳，就不可能（在模型内）区分过度学习变体和非平稳性变体。在正常的分析中，总是可以说："趋势的变化"，"水平/通道的崩溃 "等等。 但我认为我们应该考虑到金融工具报价的 "物理学"。在我看来，它们的主要特性是时间序列的 统计特征 的变化，有时是非常快和戏剧性的。在这个意义上，首先创建一个分类器是合理的，该分类器将把历史分为具有类似统计特征的部分，并给它们以1到20的数字，例如。然后为每一个这样的类似类型的市场创造自己的独立的TS。但我真的不知道如何为这种将时间序列划分为具有类似统计特征的部分提出预测因素。 Aleksey Nikolayev 2020.03.24 13:40 #16384 sibirqk: 当然，但在我看来，我们应该依靠金融工具报价的 "物理学"。在我看来，它们的主要特点是时间序列的 统计特征 的变化，有时是非常快速和剧烈的。在这个意义上，首先创建一个分类器是合理的，该分类器将把历史分为具有类似统计特征的部分，并给它们以1到20的数字，例如。然后为每一个这样的类似类型的市场创造自己的独立的TS。但是，如何为这种将时间序列划分为具有类似统计特征的区段想出预测器--我真的无法想象。 我通常把这些地区称为 "市场状态"。每个状态都可以与原始系统 的组合相匹配。我想可以用一些递归网络将市场划分为不同的状态，并将投资组合与之进行比较。 Andrey Dik 2020.03.24 14:35 #16385 Mihail Marchukajtes: 我想知道我在哪里能找到一个了解神经网络的小妞。我正在寻找一个懂神经网络的小妞，这样我就可以在johnnshpokhan之后对这类话题进行咆哮。我认为我们应该搬到首都去。这就是他们似乎都在集中的地方。 通常情况下，你必须在常规的johnanshpohan或无休止地谈论崇高的事情之间做出选择。 Igor Makanu 2020.03.24 14:50 #16386 阿列克谢-尼古拉耶夫。 每个状态都可以与一些原始系统 的组合相匹配。 好吧，重点是价格序列不是连续的，是片状连续的--根据波动率，这通常对应于会议的运行时间。 因此，通过简单地将价格序列塞给它来训练一个神经网络的希望趋于零，我认为。 但如果我们将价格序列除以会议时间并通过-会议进行训练，那么我们将失去关于超买的信息....。所以，这个圈子又是封闭的？- 无效 Mihail Marchukajtes 2020.03.24 14:52 #16387 安德烈-迪克 通常情况下，你必须在常规的johnanshpohan或无休止地谈论崇高的事情之间做出选择。 好吧，如果她在口交过程中会因为讨论Katbusting而分心，那么我当然会反对。但是，如果一个女人在一般情况下不傻，那就很酷 :-) Mihail Marchukajtes 2020.03.24 15:48 #16388 当我得到一个家庭互联网连接时，我是多么高兴。我无法忘怀它。我要去喝杯啤酒。其余的人，你们好吗？ 有什么计划吗？ Aleksey Nikolayev 2020.03.24 17:39 #16389 伊戈尔-马卡努。 好吧，重点是价格序列不是连续的，它是片状连续的--根据波动率，它通常与会议的运行时间相对应。 因此，通过简单地给它提供一个价格序列来训练神经网络的希望趋于零，我认为 但如果我们将价格序列除以会议时间并通过-会议进行训练，那么我们将失去关于超买的信息....。所以，这个圈子又是封闭的？- 无效 你可以通过采用Zigzag或renko来摆脱时段波动的影响，对吗？当然，自然时间结构会受到影响，但你可以引入正常时间作为每个膝盖/砖块的指标集。 Igor Makanu 2020.03.24 17:46 #16390 阿列克谢-尼古拉耶夫。 通过改用人字形或仁科，可以消除盘面波动的影响，对吗？当然，自然的时间结构会受到影响，但有可能引入正常时间作为每个膝盖/砖块的指标集。 我已经在这上面浪费了时间。 我不仅完全失去了OHLC信息，而且还得到了2倍于Renko砖头高度的滞后--它滞后得很厉害。 ZigZag可能也是如此，但我还没有直接处理过它。 1...163216331634163516361637163816391640164116421643164416451646...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
我完全同意。
我曾多次想过这个问题，我认为有必要将一个系统的结果与它在某一领域的潜力进行比较。
我今天就在想这个问题，如何做得更好、更普遍。我想象中的学习过程由几个步骤组成，其中第一个步骤是样本标记，你可以根据一些信号策略来标记。这些策略应该是原始的，但有潜力，例如，价格的MA交叉产生了这种交叉方向的进入信号，反之亦然。那么训练只是一种过滤掉错误信号的方法。如果接受这样的假设，我们可以计算出这种过滤在每个时间间隔内的有效百分比。最简单的是计算相对于基本策略的分类的准确性和完整性。还有其他选择--度量衡。然后我们可以看到模型的有效性如何变化，即使它开始亏损。
在一套完整的原始但有意义的系统基础上建立一个系统，似乎也是一个好主意。完整性意味着有可能从这套系统中为任何一块报价挑选出有利可图的系统。有意义的东西大致上就是你所说的潜力。然后，我将从这套作品中建立一个组合，其权重取决于时间。
我有练习。从上次培训开始，一个月内我没有发现任何变化，即使在比特币大量流失后也是如此。唯一影响它的是紧接着被操纵的资产运动之后的时期，在这段时间里，神经元完全迷失，胡言乱语，离这种风暴越远，谓语就越充分。
实践通常表明，"树木永远不会长到天上去"。任何EA/投资组合的资产/余额迟早会开始大幅减少，必须对此采取一些措施。
令人相当不安的是，在这个问题上，非平稳性的问题几乎完全被忽略了。出于某种原因，人们认为过去发现的模式在未来也会起作用，如果它们不起作用，那么就发生了过度学习。但是，很有可能随着时间的推移，一些模式根本就不再起作用了--逐渐地，甚至是飞跃式地（例如，由于像目前这样的危机）。
我看到的问题是，IO模式很复杂，而且人类的解释能力很差。如果它们开始表现不佳，就不可能（在模型内）区分过度学习变体和非平稳性变体。在正常的分析中，总是可以说："趋势的变化"，"水平/通道的崩溃 "等等。
但我认为我们应该考虑到金融工具报价的 "物理学"。在我看来，它们的主要特性是时间序列的 统计特征 的变化，有时是非常快和戏剧性的。在这个意义上，首先创建一个分类器是合理的，该分类器将把历史分为具有类似统计特征的部分，并给它们以1到20的数字，例如。然后为每一个这样的类似类型的市场创造自己的独立的TS。但我真的不知道如何为这种将时间序列划分为具有类似统计特征的部分提出预测因素。
当然，但在我看来，我们应该依靠金融工具报价的 "物理学"。在我看来，它们的主要特点是时间序列的 统计特征 的变化，有时是非常快速和剧烈的。在这个意义上，首先创建一个分类器是合理的，该分类器将把历史分为具有类似统计特征的部分，并给它们以1到20的数字，例如。然后为每一个这样的类似类型的市场创造自己的独立的TS。但是，如何为这种将时间序列划分为具有类似统计特征的区段想出预测器--我真的无法想象。
我通常把这些地区称为 "市场状态"。每个状态都可以与原始系统 的组合相匹配。我想可以用一些递归网络将市场划分为不同的状态，并将投资组合与之进行比较。
我想知道我在哪里能找到一个了解神经网络的小妞。我正在寻找一个懂神经网络的小妞，这样我就可以在johnnshpokhan之后对这类话题进行咆哮。我认为我们应该搬到首都去。这就是他们似乎都在集中的地方。
通常情况下，你必须在常规的johnanshpohan或无休止地谈论崇高的事情之间做出选择。
每个状态都可以与一些原始系统 的组合相匹配。
好吧，重点是价格序列不是连续的，是片状连续的--根据波动率，这通常对应于会议的运行时间。
因此，通过简单地将价格序列塞给它来训练一个神经网络的希望趋于零，我认为。
但如果我们将价格序列除以会议时间并通过-会议进行训练，那么我们将失去关于超买的信息....。所以，这个圈子又是封闭的？- 无效
通常情况下，你必须在常规的johnanshpohan或无休止地谈论崇高的事情之间做出选择。
好吧，重点是价格序列不是连续的，它是片状连续的--根据波动率，它通常与会议的运行时间相对应。
因此，通过简单地给它提供一个价格序列来训练神经网络的希望趋于零，我认为
但如果我们将价格序列除以会议时间并通过-会议进行训练，那么我们将失去关于超买的信息....。所以，这个圈子又是封闭的？- 无效
你可以通过采用Zigzag或renko来摆脱时段波动的影响，对吗？当然，自然时间结构会受到影响，但你可以引入正常时间作为每个膝盖/砖块的指标集。
通过改用人字形或仁科，可以消除盘面波动的影响，对吗？当然，自然的时间结构会受到影响，但有可能引入正常时间作为每个膝盖/砖块的指标集。
我已经在这上面浪费了时间。 我不仅完全失去了OHLC信息，而且还得到了2倍于Renko砖头高度的滞后--它滞后得很厉害。
ZigZag可能也是如此，但我还没有直接处理过它。