交易中的机器学习：理论、模型、实践和算法交易 - 页 18 1...111213141516171819202122232425...3399 新评论 Alexey Burnakov 2016.06.17 18:12 #171 只是一些想法。我试图纯粹用MQL4制作这样一个系统。 形成了一个投入的向量（只是有滞后的价格差）。形成理想的输入和输出（有很多方法，我采取的是吸引我的方法）。例如，所有这些都是针对5分钟的条形图。然后我在每一个新的条形图 上补充阵列，还试图从过去找到类似的模式，并在一个半径可变的多维球体中计算出买入和卖出的百分比。这个东西经过了很长时间的测试。结果是不稳定的。我想在R国的某个时候再试试。也就是说，它是通过欧氏距离来寻找入口和出口。 Alexey Burnakov 2016.06.17 18:14 #172 mytarmailS:好吧，让我们说市场对应的群组№5，下一个蜡烛将是群组№18，它不会给我们任何东西，因为我们将没有时间来交易群组№5，在SMM有一个状态的概念，状态可以持续一定的时间或者，也许我不明白你的想法？ 集群是长行序列（甚至是100支蜡烛）。你可以在这些长序列的基础上做一堆的输入。而在某些时候，该系统从第5组到第45组，但它的发生，可以说是平稳的。 mytarmailS 2016.06.17 18:43 #173 阿列克谢-伯纳科夫。只是一些想法。我试图纯粹用MQL4制作这样一个系统。 形成了一个投入的向量（只是有滞后的价格差）。形成理想的输入和输出（有很多方法，我采取的是吸引我的方法）。例如，所有这些都是针对5分钟的条形图。然后我在每一个新的条形图 上补充阵列，还试图从过去找到类似的模式，并在一个半径可变的多维球体中计算出买入和卖出的百分比。这个东西经过了很长时间的测试。结果是不稳定的。我想在R国的某个时候再试试。也就是说，通过欧氏距离搜索入口和出口。 我也做了类似的事情，也是通过欧几里德和皮尔逊的相关度进行近似搜索，欧几里德应该小于0.27，相关度大于0。97，即模式几乎是一对一的，在所有4个价格OHLC+成交量+波动率的系列中寻找相似之处，价格是正常的，只是按比例和中心化（比例，中心），结果，正如我之前写的，价格与我自己的预测相反，反相关-0.6-0,9，我担心即使是交叉验证也无济于事，至少在欧几里得空间是这样，也许这就是为什么99%的交易员都会输钱的答案。 mytarmailS 2016.06.18 07:56 #174 阿列克谢-伯纳科夫。 长行序列的聚类（甚至是100个烛台）。有可能根据这些长序列进行大量的输入。在某个时刻，该系统从第5群到第45群，但它发生得很慢。 事情是这样的，如果我们在100个蜡烛图的序列上做出第5组，我们就知道是第5组的101个蜡烛图的第5组，也就是说，我们失去了100个蜡烛图)而在SMM中，作为第45号集群，我们已经知道，我们可能会去第5号集群。 mytarmailS 2016.06.18 08:10 #175 还有一个问题要问Rlibrary(kza)DAT <- rnorm(1000)KZP <- kzp(DAT,m=100,k=3)summary(KZP,digits=2,top=3)我怎样才能把它从 "摘要 "http://prntscr.com/bhtlo9，这样我们就可以用这些数字工作。 Скриншот prnt.sc Снято с помощью Lightshot mytarmailS 2016.06.18 09:55 #176 Dr.Trader: 我试图阅读p-bloggers上的文章，但由于我不懂英语，我什么都不懂，你能用通俗的语言解释一下这种选择方法的本质是什么，它是如何工作的？纯粹凭直觉和基于第一次测试结果，我怀疑这种方法与主成分的方法非常相似，甚至可能是相同的......第一次测试，我有一个30个预测器的样本，我训练了RF错误，我得到了准确率：0.6511。然后我用你的方法选择了它们我们得到了14个预测器，误差为 准确率：0.6568事实上，我们已经消除了一半的预测因素，并改善了一点预测结果，这还不错 我将尝试其他数据集.....另一个问题，当我把同样的数据加载到rattle时，为什么我的验证数据会出现3-6%的错误？ Alexey Burnakov 2016.06.18 10:09 #177 mytarmailS: 事情是这样的，如果我们在100根蜡烛的序列上做了一个集群，那么我们就知道它是5号集群的101根蜡烛，也就是我们吹过的100根蜡烛)而在SMM的45号集群中，我们已经知道，我们可能会去5号集群。 我们没有任何损失。在第一次测量时，我们将找出集群，然后会有一系列的集群变化。在集群与集群之间的转换点上，我们可以建立一个方形矩阵，并改变交易方式：在集群n上进入买入，在集群m上关闭交易。然后是同样的卖出矩阵。所有的变体都是刚刚经历的。而我们可以改变聚类参数，在循环中查看结果。 СанСаныч Фоменко 2016.06.18 10:15 #178 mytarmailS: 我试图阅读p-bloggers上的文章，但由于我不懂英语，我什么都不懂，你能用通俗的语言解释这种选择方法的本质是什么，它是如何工作的？纯粹凭直觉和基于第一次测试结果，我怀疑这种方法与主成分的方法非常相似，甚至可能是相同的......第一次测试，我有一个30个预测器的样本，我训练了RF错误，我得到了准确率：0.6511。然后我用你的方法选择了它们我们得到了14个预测器，误差为 准确率：0.6568事实上，我们摆脱了一半的预测因子，并稍微改善了预测结果，这还不错 我将尝试其他数据集.....另一个问题，为什么如果我们在rattle中使用相同的数据，那么在验证数据上的误差是3-6%，我怎么知道呢？1.采用的是经过一些修改的主成分法。2.使用这种方法的主要想法不是为了提高预测的准确性。主要的想法是，由此产生的预测准确性在未来会保持大致相同。在实践中，我们从测试者那里知道，我们几乎总是可以通过优化从专家顾问中获得惊人的数据。然而，随着未来的沉闷单调，这些圣杯耗尽了库房。这是因为在训练过程中，专家顾问学会了一些特殊性，而这些特殊性在未来不会再出现。与目标变量无关的预测器，即噪声，作为这种奇异现象特别有用。当优化或拟合R的模型时，总是有可能从这个噪音中提取一些可以从根本上提高性能的值。但这在未来不会发生，专家顾问会失败。再一次：你使用一个工具，可以消除模型在训练样本和未来报价上的表现差异。在我看来，只有解决了再培训的问题，我们才能继续前进。3. 误差小于10%，更多的是5%，是模型被重新训练的有力证据。而模型的过度训练是由输入预测器的集合引起的，而不是由模型本身引起的。 mytarmailS 2016.06.18 10:29 #179 桑桑尼茨-弗门科。3.低于10%的误差，更不用说5%了，是模型被过度训练的明显证据。而模型的过拟合是由于输入预测器的集合，而不是模型本身。问题不是为什么在相同的数据和相同的模型上，R和rattle有不同的结果。问题二：如果一个 "样本外 "的模型显示的是地狱，那么检查它的意义何在？ Dr. Trader 2016.06.18 10:39 #180 mytarmailS:问题不在于为什么在相同的数据和相同的模型上，R和rattle有不同的结果。问题二：如果显示的是地狱，那么在拨浪鼓上检查 "出样 "模型的意义何在？你可能在r和rattle中使用了不同的脚手架参数，因此出现了不同的结果。在 rattle 本身，你也可以改变树和变量的数量。而你的拨浪鼓在训练数据上有34%的误差，在验证数据上有3%的误差？验证数据出了问题，要么是它以某种方式已经存在于训练数据中，要么是你有一个非常小的数据集，它只是以这种方式发生。 1...111213141516171819202122232425...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
只是一些想法。
我试图纯粹用MQL4制作这样一个系统。
形成了一个投入的向量（只是有滞后的价格差）。
形成理想的输入和输出（有很多方法，我采取的是吸引我的方法）。
例如，所有这些都是针对5分钟的条形图。
然后我在每一个新的条形图 上补充阵列，还试图从过去找到类似的模式，并在一个半径可变的多维球体中计算出买入和卖出的百分比。这个东西经过了很长时间的测试。结果是不稳定的。
我想在R国的某个时候再试试。也就是说，它是通过欧氏距离来寻找入口和出口。
好吧，让我们说市场对应的群组№5，下一个蜡烛将是群组№18，它不会给我们任何东西，因为我们将没有时间来交易群组№5，在SMM有一个状态的概念，状态可以持续一定的时间
或者，也许我不明白你的想法？
只是一些想法。
我试图纯粹用MQL4制作这样一个系统。
形成了一个投入的向量（只是有滞后的价格差）。
形成理想的输入和输出（有很多方法，我采取的是吸引我的方法）。
例如，所有这些都是针对5分钟的条形图。
然后我在每一个新的条形图 上补充阵列，还试图从过去找到类似的模式，并在一个半径可变的多维球体中计算出买入和卖出的百分比。这个东西经过了很长时间的测试。结果是不稳定的。
我想在R国的某个时候再试试。也就是说，通过欧氏距离搜索入口和出口。
长行序列的聚类（甚至是100个烛台）。有可能根据这些长序列进行大量的输入。在某个时刻，该系统从第5群到第45群，但它发生得很慢。
还有一个问题要问R
library(kza)
DAT <- rnorm(1000)
KZP <- kzp(DAT,m=100,k=3)
summary(KZP,digits=2,top=3)
我怎样才能把它从 "摘要 "http://prntscr.com/bhtlo9，这样我们就可以用这些数字工作。
我试图阅读p-bloggers上的文章，但由于我不懂英语，我什么都不懂，你能用通俗的语言解释一下这种选择方法的本质是什么，它是如何工作的？
纯粹凭直觉和基于第一次测试结果，我怀疑这种方法与主成分的方法非常相似，甚至可能是相同的......
第一次测试，我有一个30个预测器的样本，我训练了RF错误，我得到了准确率：0.6511。
然后我用你的方法选择了它们
我们得到了14个预测器，误差为 准确率：0.6568
事实上，我们已经消除了一半的预测因素，并改善了一点预测结果，这还不错
我将尝试其他数据集.....
另一个问题，当我把同样的数据加载到rattle时，为什么我的验证数据会出现3-6%的错误？
事情是这样的，如果我们在100根蜡烛的序列上做了一个集群，那么我们就知道它是5号集群的101根蜡烛，也就是我们吹过的100根蜡烛)而在SMM的45号集群中，我们已经知道，我们可能会去5号集群。
我试图阅读p-bloggers上的文章，但由于我不懂英语，我什么都不懂，你能用通俗的语言解释这种选择方法的本质是什么，它是如何工作的？
纯粹凭直觉和基于第一次测试结果，我怀疑这种方法与主成分的方法非常相似，甚至可能是相同的......
第一次测试，我有一个30个预测器的样本，我训练了RF错误，我得到了准确率：0.6511。
然后我用你的方法选择了它们
我们得到了14个预测器，误差为 准确率：0.6568
事实上，我们摆脱了一半的预测因子，并稍微改善了预测结果，这还不错
我将尝试其他数据集.....
另一个问题，为什么如果我们在rattle中使用相同的数据，那么在验证数据上的误差是3-6%，我怎么知道呢？
1.采用的是经过一些修改的主成分法。
2.使用这种方法的主要想法不是为了提高预测的准确性。主要的想法是，由此产生的预测准确性在未来会保持大致相同。在实践中，我们从测试者那里知道，我们几乎总是可以通过优化从专家顾问中获得惊人的数据。然而，随着未来的沉闷单调，这些圣杯耗尽了库房。这是因为在训练过程中，专家顾问学会了一些特殊性，而这些特殊性在未来不会再出现。与目标变量无关的预测器，即噪声，作为这种奇异现象特别有用。当优化或拟合R的模型时，总是有可能从这个噪音中提取一些可以从根本上提高性能的值。但这在未来不会发生，专家顾问会失败。
再一次：你使用一个工具，可以消除模型在训练样本和未来报价上的表现差异。在我看来，只有解决了再培训的问题，我们才能继续前进。
3. 误差小于10%，更多的是5%，是模型被重新训练的有力证据。而模型的过度训练是由输入预测器的集合引起的，而不是由模型本身引起的。
3.低于10%的误差，更不用说5%了，是模型被过度训练的明显证据。而模型的过拟合是由于输入预测器的集合，而不是模型本身。
问题不是为什么在相同的数据和相同的模型上，R和rattle有不同的结果。
问题二：如果一个 "样本外 "的模型显示的是地狱，那么检查它的意义何在？
问题不在于为什么在相同的数据和相同的模型上，R和rattle有不同的结果。
问题二：如果显示的是地狱，那么在拨浪鼓上检查 "出样 "模型的意义何在？
你可能在r和rattle中使用了不同的脚手架参数，因此出现了不同的结果。在 rattle 本身，你也可以改变树和变量的数量。
而你的拨浪鼓在训练数据上有34%的误差，在验证数据上有3%的误差？验证数据出了问题，要么是它以某种方式已经存在于训练数据中，要么是你有一个非常小的数据集，它只是以这种方式发生。