交易中的机器学习：理论、模型、实践和算法交易 - 页 2072

新评论
 
mytarmailS:

做得好！干得好...


但是有什么用呢，我没有使用神经网络，我搜索了历史上最相似的部分，重复性是50/50，当然有的系列是重合的时候。如果我们给模式（如价格）附加更多的时间，那么历史上的重复性几乎为零。 问题是20分钟或60分钟的100点价格运动是否相同。

另外，如果我们在搜索类似时期时，不仅使用一条时间序列 线，而且使用两条有事件变体的线，似乎准确性更高。

 
Evgeniy Chumakov:

接下来的问题是，在20分钟或60分钟内，100点的价格变动是否相同？

在我的模型中，ZZ段的形成速度强烈影响着决策。

 
Aleksey Vyazmikin:

你如何定义长肩和短肩？


如果它比前一个的点数多，就是长。
 
Evgeniy Chumakov:


如果它的点数比前一个点数多，那么它就是多头。

明白了，谢谢。所以对于策略来说，我应该考虑这个长度的止损...

 
Aleksey Vyazmikin:

明白了，谢谢。所以对于策略来说，我们应该考虑这个长度的止损...


我采取了一个固定步长的 "之 "字形，条件是：一个新的膝盖已经形成，预测="长"，我们在最后一个极端点之后设置止损，并在前一个极端点的位置上进行。(如果是买入，则最大，如果是卖出，则最小。)

 
叶夫根尼-丘马科夫。

有什么用呢？

我告诉过你可能出错的地方;)

叶夫根尼-丘马科夫。

我没有使用神经网络，我搜索了故事中最相似的部分，重复率为50/50

如果你使用了神经网络，你根本就不会发现什么，它将使整个事情变得平滑，而你也获得了经验和洞察力！这就是为什么你要使用神经网络。

Evgeniy Chumakov:

因此，问题是，在20分钟或60分钟内出现100点的价格波动是否相同！？

一切都是相对的，我们应该首先将模式与波动性进行比较。

叶夫根尼-丘马 科夫。

如果我们在搜索类似时期时不仅使用时间序列线，而且还使用两条具有事件变体的线，那么准确性就会更高。

好吧，你刚才自己在上面写到，如果你添加一个条件（时间），那么这个模式根本就找不到。公理：模式中的条件越多，历史上的条件就越少!

在机器学习中，它被称为 "维度的诅咒"，维基是你的指南。

 
阿列克谢-维亚兹米 金。

10000次迭代。如果我们假设期望值=0，那么最大偏差为+-18000。你的结果是28280，这似乎是一个真正的模式。

在最坏的情况下，该系统将在2300次交易后开始产生利润。

如果你只是计算并把4个sko作为一个门槛，那么对于7345个交易，4个sko=16120。


 
Aleksey Vyazmikin:

Ugh, so angry - 从标准交付中识别出的指标，在同一时刻给出不同的指标，如果它们在测试器中的不同时期运行 - 不知道它们是如何计算的，但对于机器学习来说，它们是危险的!

这也包括iAD() - 可能这些类型的指标 使用整个历史的积累，但你知道在测试器中没有整个历史。作为替代方案，修改算法，每季度清理一次指标，然后你就可以学习了。有趣的是，该模型在这些指标上失败了，它喜欢这些指标的一些东西...

 
Evgeniy Chumakov:


我采取了一个固定步长的之字形。 条件：一个新的膝盖已经形成，预测='长'，在最后一个极点后停止，在前一个极点的点上采取相同的极点。(如果是买入，则最大，如果是卖出，则最小。)

为什么要在最后的极值上取点呢？ 修正可能是50%，这意味着我们应该在前一个区间的100%左右取停。

 
Rorschach:

10000次迭代。如果我们假设期望值=0，那么最大偏差是+-18000。你的结果是28280，这似乎真的是一个模式。

在最坏的情况下，该系统将在2300次交易后开始产生利润。

如果你只是计算并把4个sko作为一个门槛，那么对于7345个交易，4个sko=16120。


这些都是有趣的计算方法。因此，我们可能会制定策略，但最主要的是要了解如何教授它......

1...206520662067206820692070207120722073207420752076207720782079...3399
新评论