交易中的机器学习：理论、模型、实践和算法交易 - 页 1965

新评论
 
Maxim Dmitrievsky:
只需运行和交易，边走边学。

交易逻辑是什么？ 它是在1.5个月的窗口中滑动学习吗？多长时间学习一次或取决于什么？在什么时间范围内？

 
Rorschach:

我建议在这个数据上进行测试，那里肯定有一个模式，而且很清楚应该以什么为目标。

ps去掉名字中的.txt

网络：56.58%的正确答案，2.63的期望值

森林：55.89%的正确答案，2.36的期望值

森林累积增量。55.89%的正确答案，2.36的期望值，相同的结果


排名20位的5位数。没有考虑到价差。平均而言，结果是一样的，但网格计数为2分钟，而森林计数不到1秒。

看来要施一次黑魔法了，虽然我还没有试过之字形。

 
Rorschach:

网络：56.58%的正确答案，2.63的期望值

森林：55.89%的正确答案，2.36的期望值

排名20位的5位数。没有考虑到价差。平均而言，结果是一样的，但网格计数为2分钟，而森林计数不到1秒。

听起来像是一场黑魔法，虽然我还没有试过 "之 "字形。

你把你的时间花在学习上而没有传播，是为了什么？只是为了漂亮的图表？做点实事。
 
elibrarius:
你花时间学习而不传播是为了什么？只是为了漂亮的图表？做点实事。
减去5个点，得到与点差。如果没有传播，你可以看到这个网格已经发现了一些东西，你需要进一步发展这个想法，而不是把它扔掉。
 
elibrarius:

你不能。这就是为什么它们是随机的，因为它们采取随机列的方式进行训练。那么，平均化就会有好的结果。
你可以尝试设置列分数=1。也就是说，所有的列都会参与到构建树中，而不是随机的50%的所有列。所有的树都会是一样的，所以也要在森林里设置1棵树。总共有一棵树的森林被训练到6级，另一棵树的深度为7级。
如果需要2棵以上的树，从集合中独立地放弃一些列，在所有剩余的列上训练额外的森林。

补充：参与训练的行数也应该放=1，即所有的，这样训练的效果是一样的。因此，随机森林中的所有随机因素都被移除。

如果有一个固定的分割规则，没有随机性，可能就会出现这种情况。你想试一试吗？我不知道如何搭建脚手架 :(

 
Maxim Dmitrievsky:
15个时间段，每个条形图都有信号。也是Revords，但你可以根据条件来改变它们。这个EA最初没有经过培训，它从一张白纸开始，立即进行交易。即在原则上不得进行再教育。它在每次交易后都会被重新训练，保持对以前交易的记忆。可以添加经常性链接。一切都在手册中，我只是需要理解它。我很快就会研究它，我想在张量流中开发一个类似的东西。

那么这个内存是如何实现的呢？ 你能简单地解释一下吗？

 
Aleksey Vyazmikin:

如果有一个固定的拆分规则，没有随机性，可能就会出现这种 情况。你想试一试吗？我不知道如何搭建脚手架 :(

检查了一下--确实如此，至少在algleb脚手架上。只有行和列是随机的，如果它们的系数被设置为=1，那么所有的树都是一样的，也就是说，一棵树就足够了，不必在计算其副本上浪费时间。其他软件包可能会随机化其他东西...

我不想尝试。对我来说，一棵深度为6或7的树已经足够了。一棵深度为6.5的树[与你的想法作类比]并不太有趣。当然，还有懒惰。

 
mytarmailS:

这个内存是如何实现的？ 你能用简单的语言解释一下吗？

我还不明白。

 
elibrarius:

检查了一下--至少在algib森林中是这样。只有行和列是随机的，如果它们的系数被设定为=1，那么所有的树都是一样的，也就是说，一棵树就足够了，不需要在计算其副本上浪费时间。其他软件包可能会随机化其他东西...

我不想尝试。对我来说，一棵深度为6或7的树已经足够了。一棵深度为6.5的树[与你的想法作类比]并不太有趣。当然，还有懒惰。

我明白了。我只是把倒数第二个分裂看作一个子空间，在此基础上建立一个微型模型来研究它。当然，拆分应该是聪明的，也许可以按整个样本的统计数字而不是子样本的统计数字来拆分。在这个过程开始之前，可能应该有3-5次分裂，不能再多了。然而，这个想法是为了减少特定分割相对于其他替代方案的随机统计优势的影响。

 
mytarmailS:

那么这个内存是如何实现的呢？ 你能简单地解释一下吗？

转到python，我给你举例，你可以使用它们。

我不认为在这个论坛上讨论它有什么意义，因为RL不是一个入门级的问题。

1...195819591960196119621963196419651966196719681969197019711972...3399
新评论
原因: