交易中的机器学习:理论、模型、实践和算法交易 - 页 1912 1...190519061907190819091910191119121913191419151916191719181919...3399 新评论 mytarmailS 2020.07.24 20:47 #19111 Mihail Marchukajtes: 换句话说,该算法将给这两个接近的向量分配一个 不合理 的高权重....。 但为什么是不合理的呢?如果某件事情经常被重复,比如说100次,并给出一些统计学上有意义的结果,那么对它给予更多的重视,比对一个只有一个观察结果和一个不明确结果的例子给予更多的重视,是足够的。 1)你见过100次云,70%的时间都在下雨。 2)你的膝盖 有一次 很痒,而且还下了雨。 为什么你认为这两种模式应该被赋予相同的权重? 整个世界的思维方式不同,神经元也是如此 :) Renat Akhtyamov 2020.07.24 21:32 #19112 mytarmailS: 如果某件事情经常被重复,比如说100次,并且给出了一个统计学上的重要结果,那么就足以让它比一个只有一个观察结果和一个不明确结果的例子更有分量。1)你见过100次云,70%的时间都在下雨。2)你的膝盖 有一次 很痒,而且还下了雨。为什么你认为这两种模式应该被赋予相同的权重? 整个世界都不这么认为,神经元学也是如此 :) 而这些统计数字并没有教给你什么? 你赚了100次钱,你赢了XZix次。 ;) Mihail Marchukajtes 2020.07.25 03:54 #19113 mytarmailS: 如果某件事情经常被重复,比如说100次,并且给出了一个统计学上的重要结果,那么就足以让它比一个只有一个观察结果和一个不明确结果的例子更有分量。1)你见过100次云,70%的时间都在下雨。2)你的膝盖 有一次 很痒,而且还下了雨。为什么你认为这两种模式应该被赋予相同的权重? 整个世界都不这么认为,神经元学也是如此 :) 如果一个模式重复了100次并且属于同一类别,就不需要神经网络。确定这种模式并得出结论就足够了。任务不是训练网络,而是对其进行泛化。 但同样,这一切都取决于训练算法和选定的网络拓扑结构。 Mihail Marchukajtes 2020.07.25 07:07 #19114 同事们,请慷慨地原谅我,但我的发言有点混乱。虽然我有一个由行比列少的训练集。然而,训练本身是在11列的样本上进行的。总之,我不是故意的。我不知道我在做什么 :-( mytarmailS 2020.07.25 07:30 #19115 Mihail Marchukajtes: 同事们请慷慨地原谅我,但我在发言中迷失了方向。尽管我有一个由行少于列组成的训练集。然而,训练本身是在11列的样本上进行的。总之,我不是故意的。我不知道我在做什么 :-( (原谅我)如果你是有思想的,你就会明白......。 但我仍然没有听到对我的简单问题的回答--为什么独特的价值比统计意义上的价值更好? 另外,如果你想让所有的行都是独一无二的,我给了你一个想法,你为什么不呢? =============================================== 很酷的视频--MO的真实问题是如何以及以何种方式解决的,BP也有问题,非常有趣。 Mihail Marchukajtes 2020.07.25 07:51 #19116 mytarmailS: 原谅我)那些经过深思熟虑的人已经明白了但我仍然没有听到对我的简单问题的回答--为什么独特的价值比统计意义上的价值更好?另外,如果你想让所有的行都是独一无二的,我给了你一个想法,你为什么不呢?===============================================很酷的视频--MO的真实问题是如何以及以何种方式解决的,BP也有问题,非常有趣。 是的,谢谢你的代码,我保存了它,但还没有真正研究它......。我想我将在本周内看... 因为有统计学意义的载体可以正面使用,没有NS。在学习上,NS将更好地学习那些聚集在同一区域的向量。如果在未来会出现相同的向量,那是可以的,但如果一个向量在最近的未来出现,但来自另一个类别,网络就会出现100%的错误,因为它没有发现这个群体属于某个类别。IMHO mytarmailS 2020.07.25 08:10 #19117 Mihail Marchukajtes: 相同的向量,那么就没问题,但如果一个向量出现在附近,但来自不同的类别,那么网络就会出现100%的错误,因为它已经通知这个组属于一个特定的类别。IMHO 啊哈哈,好吧,我明白你的意思了...... 听着,我很抱歉我冲你发火,有时候我也不太行。 [删除] 2020.07.25 08:49 #19118 问题是神经网络如何预测银行购买或出售一定数量货币的愿望(例如)?任何神经网络只有在投机量被卖出和价格积极变动时才能抓住方向的惯性。 但神经网络永远不会显示进入将改变价格(价格驱动因素)的参与者的确切时间,尽管这不是必要的 - 在99%如果你知道如何识别价格驱动因素及其方向,你的交易将总是在执行之前,你将有一个稳定的利润。我的公司也有一个算法交易部门,但它更专注于非常快速的剥头皮--神经网络也能捕捉到hft算法的惯性,根据它的分析,我们的机器人通过完全复制hft进行交易(只针对某些市场和符号)。基本的交易是用老方法手工完成的,因为价格的驱动力是无法预测的(也没有必要),你只能看到它=汽车在改变方向之前会向你显示指标(你要明白,神经网络无法预测这个或那个汽车的指标何时会打开)。 mytarmailS 2020.07.25 08:58 #19119 决定看看典型的 数据会是什么样子,用于训练NS的3D)) 数据是31个指标,目标是 "之 "字形。 我用三种算法将维度降低到三个维度--PCA、T-SNE、UMAP(后两种被认为是最先进的 算法)。 它到底是什么 -https://en.wikipedia.org/wiki/Dimensionality_reduction how it can help -https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%BE%D0%BA%D0%BB%D1%8F%D1%82%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8 因此,数据31指标的目标人字形,首先我们有PCA 下一个 T-sne umap 我们可以看到,我们不能按类划分,因此,要么目标是垃圾,要么是特征,要么是所有这些都在一起)) 一个具有良好可分离性的表面应该是这样的,但这里有三个等级,但我想你会明白这个想法的。 mytarmailS 2020.07.25 09:27 #19120 Viktar DayTrader: 一个问题--神经网络如何预测银行购买或出售一定数量货币的愿望(例如)? 大额购买不是在一秒钟内完成的,它需要时间,在这段时间内,价格将显示这些购买的模式,这种模式可以在机器学习算法的帮助下尝试找到。 1...190519061907190819091910191119121913191419151916191719181919...3399 新评论 原因: 取消 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
换句话说,该算法将给这两个接近的向量分配一个 不合理 的高权重....。
但为什么是不合理的呢?如果某件事情经常被重复,比如说100次,并给出一些统计学上有意义的结果,那么对它给予更多的重视,比对一个只有一个观察结果和一个不明确结果的例子给予更多的重视,是足够的。
1)你见过100次云,70%的时间都在下雨。
2)你的膝盖 有一次 很痒,而且还下了雨。
为什么你认为这两种模式应该被赋予相同的权重? 整个世界的思维方式不同,神经元也是如此 :)
如果某件事情经常被重复,比如说100次,并且给出了一个统计学上的重要结果,那么就足以让它比一个只有一个观察结果和一个不明确结果的例子更有分量。
1)你见过100次云,70%的时间都在下雨。
2)你的膝盖 有一次 很痒,而且还下了雨。
为什么你认为这两种模式应该被赋予相同的权重? 整个世界都不这么认为,神经元学也是如此 :)
而这些统计数字并没有教给你什么?
你赚了100次钱,你赢了XZix次。
;)
如果某件事情经常被重复,比如说100次,并且给出了一个统计学上的重要结果,那么就足以让它比一个只有一个观察结果和一个不明确结果的例子更有分量。
1)你见过100次云,70%的时间都在下雨。
2)你的膝盖 有一次 很痒,而且还下了雨。
为什么你认为这两种模式应该被赋予相同的权重? 整个世界都不这么认为,神经元学也是如此 :)
同事们请慷慨地原谅我,但我在发言中迷失了方向。尽管我有一个由行少于列组成的训练集。然而,训练本身是在11列的样本上进行的。总之,我不是故意的。我不知道我在做什么 :-(
(原谅我)如果你是有思想的,你就会明白......。
但我仍然没有听到对我的简单问题的回答--为什么独特的价值比统计意义上的价值更好?
另外,如果你想让所有的行都是独一无二的,我给了你一个想法,你为什么不呢?
===============================================
很酷的视频--MO的真实问题是如何以及以何种方式解决的,BP也有问题,非常有趣。
原谅我)那些经过深思熟虑的人已经明白了
但我仍然没有听到对我的简单问题的回答--为什么独特的价值比统计意义上的价值更好?
另外,如果你想让所有的行都是独一无二的,我给了你一个想法,你为什么不呢?
===============================================
很酷的视频--MO的真实问题是如何以及以何种方式解决的,BP也有问题,非常有趣。
是的,谢谢你的代码,我保存了它,但还没有真正研究它......。我想我将在本周内看...
因为有统计学意义的载体可以正面使用,没有NS。在学习上,NS将更好地学习那些聚集在同一区域的向量。如果在未来会出现相同的向量,那是可以的,但如果一个向量在最近的未来出现,但来自另一个类别,网络就会出现100%的错误,因为它没有发现这个群体属于某个类别。IMHO
相同的向量,那么就没问题,但如果一个向量出现在附近,但来自不同的类别,那么网络就会出现100%的错误,因为它已经通知这个组属于一个特定的类别。IMHO
啊哈哈,好吧,我明白你的意思了......
听着,我很抱歉我冲你发火,有时候我也不太行。
问题是神经网络如何预测银行购买或出售一定数量货币的愿望(例如)?任何神经网络只有在投机量被卖出和价格积极变动时才能抓住方向的惯性。 但神经网络永远不会显示进入将改变价格(价格驱动因素)的参与者的确切时间,尽管这不是必要的 - 在99%如果你知道如何识别价格驱动因素及其方向,你的交易将总是在执行之前,你将有一个稳定的利润。我的公司也有一个算法交易部门,但它更专注于非常快速的剥头皮--神经网络也能捕捉到hft算法的惯性,根据它的分析,我们的机器人通过完全复制hft进行交易(只针对某些市场和符号)。基本的交易是用老方法手工完成的,因为价格的驱动力是无法预测的(也没有必要),你只能看到它=汽车在改变方向之前会向你显示指标(你要明白,神经网络无法预测这个或那个汽车的指标何时会打开)。
决定看看典型的 数据会是什么样子,用于训练NS的3D))
数据是31个指标,目标是 "之 "字形。
我用三种算法将维度降低到三个维度--PCA、T-SNE、UMAP(后两种被认为是最先进的 算法)。
它到底是什么 -https://en.wikipedia.org/wiki/Dimensionality_reduction
how it can help -https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%BE%D0%BA%D0%BB%D1%8F%D1%82%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8
因此,数据31指标的目标人字形,首先我们有PCA
下一个 T-sne
umap
我们可以看到,我们不能按类划分,因此,要么目标是垃圾,要么是特征,要么是所有这些都在一起))
一个具有良好可分离性的表面应该是这样的,但这里有三个等级,但我想你会明白这个想法的。
一个问题--神经网络如何预测银行购买或出售一定数量货币的愿望(例如)?
大额购买不是在一秒钟内完成的,它需要时间,在这段时间内,价格将显示这些购买的模式,这种模式可以在机器学习算法的帮助下尝试找到。