交易中的机器学习：理论、模型、实践和算法交易 - 页 2131 1...212421252126212721282129213021312132213321342135213621372138...3399 新评论 mytarmailS 2020.11.18 08:31 #21301 我想的是对规律性的 "全面搜索"，没有像 "下一根蜡烛会发生什么 "之类的目标......。 搜索包括只搜索规律性，目标是找到一个规律性，而不是"下一根蜡烛上会有什么"，规律性也可以在时间上拉长，例如，如果今天是 "事件1"，然后 是 "事件2"，然后是 "事件3"... 例如，如果今天我们有 "事件1"，然后是 " 事件3"，那么明天14:05将是一个上升的蜡烛或类似的东西) 我对它应该是什么样子以及应用什么算法有了更好的想法，但我可能需要一些计算能力，而我没有( 顺便问一个问题，一个事件重复多少次才算是一个模式？ Aleksey Vyazmikin 2020.11.18 08:44 #21302 elibrarius: 理论上，应该是一样的。 日、时、分的不同选项数量等于正弦和余弦的选项数量。7天内有10080个不同的值，每分钟都在变化。 如果在训练中存在任何随机性，这可能是造成差异的原因。 你一直在用什么进行训练，猫粮吗？ 实验总是更重要。 看看第一个预测器T1（Den_Nedeli_S），或者更确切地说，它的网格 T2 以及没有时间转换的一周内的日子。 正如你所看到的，尽管分区设置是相同的，但网格是不同的，数字之间也有不同的三角关系。 catboost-0.24.1.exe fit --learn-set train.csv --test-set test.csv --column-description %%a --has-header --delimiter ; --model-format CatboostBinary,CPP --train-dir ..\Rezultat\RS_208\result_4_%%a --depth 6 --iterations 1000 --nan-mode Forbidden --learning-rate 0.03 --rsm 1 --fold-permutation-block 1 --boosting-type Plain --l2-leaf-reg 6 --loss-function Logloss --use-best-model --eval-metric Logloss --custom-metric Logloss --od-type Iter --od-wait 100 --random-seed 0 --random-strength 1 --auto-class-weights SqrtBalanced --sampling-frequency PerTreeLevel --border-count 208 --feature-border-type MinEntropy --output-borders-file quant_4_00208.csv --bootstrap-type Bayesian --bagging-temperature 1 --leaf-estimation-method Newton --leaf-estimation-iterations 10 这意味着你可以更精确地匹配分裂，这可能导致适合或更好的结果...... Aleksey Vyazmikin 2020.11.18 08:48 #21303 mytarmailS: 我想的是对规律性的 "全面搜索"，没有像 "下一根蜡烛会发生什么 "之类的目标......。搜索包括只搜索规律性，目标是找到一个规律性，而不是"下一根蜡烛上会有什么"，规律性也可以在时间上拉长，例如，如果今天是 "事件1"，然后 是 "事件2"，然后是 "事件3"... 例如，如果今天我们有 "事件1"，然后是 " 事件3"，那么明天14:05将是一个上升的蜡烛或类似的东西)我对它应该是什么样子，以及应用哪种算法有更好的想法，但这可能需要大量的计算能力，而我并没有这种能力( 哦，我也会做类似的事情 :)))) mytarmailS: 顺便说一句，这样的问题，一个事件重复多少次才算是一个模式？ 我使用的标准是--不低于整个样本的1%，重要的是相同结果的事件重复出现的 "频率"。我不知道如何测量 "频率"。 Forester 2020.11.18 09:13 #21304 Aleksey Vyazmikin: 实验总是更重要。看看第一个预测器T1（Den_Nedeli_S），或者说它的网格T2和一周的日子，没有时间转换正如你所看到的，尽管分区设置是相同的，但网格是不同的，数字之间有不同的三角洲。这意味着你可以更准确地匹配分裂，这可能导致适合或改进的结果... 好的。正弦+余弦不仅对NS来说更好，对树来说也是如此。 Aleksey Vyazmikin 2020.11.18 09:24 #21305 elibrarius: 很好。正弦+余弦不仅对NS来说更好，而且对树木来说也更好。 我不会跳到这个结论--到目前为止，我们可以说结果并不完全相同。 [删除] 2020.11.18 09:45 #21306 时间之轮 . mytarmailS 2020.11.18 09:52 #21307 mytarmailS: 我在考虑做一个 "全面搜索".....。 我只是把时间和星期 以及蜡烛的颜色填进去... 将数据作为一个星期，共40个星期，并在其中寻找模式。 周五_18:20_dw意味着周五--18:20--下降的蜡烛 信度 - 规则1工作的百分比是100% 计数 - 找到多少条这样的规则 lhs rhs support confidence coverage lift count [1] {Пт_18:20_dw} => {Чт_1:0_up} 0.500 1 0.500 1.290323 20 [2] {Пт_16:15_up} => {Пт_5:0_dw} 0.500 1 0.500 1.290323 20 [3] {Пн_21:0_dw} => {Пт_5:0_dw} 0.500 1 0.500 1.290323 20 [4] {Ср_12:50_dw} => {Чт_22:55_up} 0.525 1 0.525 1.538462 21 [5] {Пт_18:40_dw,Ср_22:15_dw} => {Пн_14:50_up} 0.500 1 0.500 1.290323 20 [6] {Пн_0:0_dw,Пн_9:20_dw} => {Пн_23:55_dw} 0.500 1 0.500 1.428571 20 [7] {Вт_20:40_up,Пн_0:0_dw} => {Вт_21:5_up} 0.500 1 0.500 1.481481 20 [8] {Вт_9:40_dw,Пн_14:50_up} => {Чт_1:0_up} 0.500 1 0.500 1.290323 20 [9] {Пн_0:0_dw,Чт_1:10_dw} => {Чт_2:55_dw} 0.500 1 0.500 1.379310 20 [10] {Пт_9:25_up,Ср_2:5_dw} => {Пн_14:50_up} 0.500 1 0.500 1.290323 20 [11] {Пн_14:50_up,Пт_9:25_up} => {Ср_2:5_dw} 0.500 1 0.500 1.538462 20 [12] {Вт_13:0_dw,Ср_2:5_dw} => {Пн_14:50_up} 0.500 1 0.500 1.290323 20 [13] {Чт_23:55_dw,Чт_4:20_dw} => {Пн_0:0_dw} 0.500 1 0.500 1.250000 20 [14] {Вт_18:55_dw,Пт_1:0_up} => {Пн_14:50_up} 0.500 1 0.500 1.290323 20 [15] {Вт_18:55_dw,Чт_1:0_up} => {Пн_14:50_up} 0.525 1 0.525 1.290323 21 [16] {Вт_2:45_up,Пн_9:50_dw} => {Пн_0:0_dw} 0.500 1 0.500 1.250000 20 [17] {Вт_2:45_up,Ср_20:40_up} => {Пн_0:0_dw} 0.500 1 0.500 1.250000 20 这条规则 [1] {Пт_18:20_dw} => {Чт_1:0_up} 0.500 1 0.500 1.290323 20 这意味着，如果周四凌晨1点有一根上升的蜡烛，那么周五下午6点20分它就会下降。 国际残疾人联合会... Valeriy Yastremskiy 2020.11.18 09:54 #21308 Aleksey Vyazmikin: 我使用的标准是至少占整个样本的1%，具有相同结果的事件的 "频率 "很重要。我不知道如何衡量 "频率"。 相同事件是指具有相同结果的事件。 100%的样品/%的重复率。1%是频率，但没有规律性。这就是它变得棘手的地方。你需要把它分成几个时期，看看这些事件有多大的规律性。你可以简单地使用一个时期的最小值和最大值，用最小值除以最大值来得到相对的规律性，你可以使用均方根）。 mytarmailS 2020.11.18 09:57 #21309 Oleg avtomat: 时间之轮你可以添加更多的谐波分量，并将正弦波相加，你将得到一条曲线来描述三个标志。 但是节假日和周末呢，你需要考虑到这一切，这一切到底有什么意义呢？ Rorschach 2020.11.18 10:00 #21310 mytarmailS：顺便问一下，一个事件应该重复多少次才能被认为是规律性的？ 我试过自己的衡量标准 ，但它只适用于SL=TP，对于其他比例，你必须计算赫斯特。 1...212421252126212721282129213021312132213321342135213621372138...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
我想的是对规律性的 "全面搜索"，没有像 "下一根蜡烛会发生什么 "之类的目标......。
搜索包括只搜索规律性，目标是找到一个规律性，而不是"下一根蜡烛上会有什么"，规律性也可以在时间上拉长，例如，如果今天是 "事件1"，然后 是 "事件2"，然后是 "事件3"... 例如，如果今天我们有 "事件1"，然后是 " 事件3"，那么明天14:05将是一个上升的蜡烛或类似的东西)
我对它应该是什么样子以及应用什么算法有了更好的想法，但我可能需要一些计算能力，而我没有(
顺便问一个问题，一个事件重复多少次才算是一个模式？
理论上，应该是一样的。
你一直在用什么进行训练，猫粮吗？日、时、分的不同选项数量等于正弦和余弦的选项数量。7天内有10080个不同的值，每分钟都在变化。
如果在训练中存在任何随机性，这可能是造成差异的原因。
实验总是更重要。
看看第一个预测器T1（Den_Nedeli_S），或者更确切地说，它的网格
T2
以及没有时间转换的一周内的日子。
正如你所看到的，尽管分区设置是相同的，但网格是不同的，数字之间也有不同的三角关系。
这意味着你可以更精确地匹配分裂，这可能导致适合或更好的结果......
我想的是对规律性的 "全面搜索"，没有像 "下一根蜡烛会发生什么 "之类的目标......。
搜索包括只搜索规律性，目标是找到一个规律性，而不是"下一根蜡烛上会有什么"，规律性也可以在时间上拉长，例如，如果今天是 "事件1"，然后 是 "事件2"，然后是 "事件3"... 例如，如果今天我们有 "事件1"，然后是 " 事件3"，那么明天14:05将是一个上升的蜡烛或类似的东西)
我对它应该是什么样子，以及应用哪种算法有更好的想法，但这可能需要大量的计算能力，而我并没有这种能力(
哦，我也会做类似的事情 :))))
顺便说一句，这样的问题，一个事件重复多少次才算是一个模式？
我使用的标准是--不低于整个样本的1%，重要的是相同结果的事件重复出现的 "频率"。我不知道如何测量 "频率"。
实验总是更重要。
看看第一个预测器T1（Den_Nedeli_S），或者说它的网格
T2
和一周的日子，没有时间转换
正如你所看到的，尽管分区设置是相同的，但网格是不同的，数字之间有不同的三角洲。
这意味着你可以更准确地匹配分裂，这可能导致适合或改进的结果...
好的。正弦+余弦不仅对NS来说更好，对树来说也是如此。
很好。正弦+余弦不仅对NS来说更好，而且对树木来说也更好。
我不会跳到这个结论--到目前为止，我们可以说结果并不完全相同。
时间之轮
.
我在考虑做一个 "全面搜索".....。
我只是把时间和星期 以及蜡烛的颜色填进去...
将数据作为一个星期，共40个星期，并在其中寻找模式。
周五_18:20_dw意味着周五--18:20--下降的蜡烛
信度 - 规则1工作的百分比是100%
计数 - 找到多少条这样的规则
这条规则
这意味着，如果周四凌晨1点有一根上升的蜡烛，那么周五下午6点20分它就会下降。
国际残疾人联合会...
我使用的标准是至少占整个样本的1%，具有相同结果的事件的 "频率 "很重要。我不知道如何衡量 "频率"。
相同事件是指具有相同结果的事件。
100%的样品/%的重复率。1%是频率，但没有规律性。这就是它变得棘手的地方。你需要把它分成几个时期，看看这些事件有多大的规律性。你可以简单地使用一个时期的最小值和最大值，用最小值除以最大值来得到相对的规律性，你可以使用均方根）。
时间之轮
你可以添加更多的谐波分量，并将正弦波相加，你将得到一条曲线来描述三个标志。
但是节假日和周末呢，你需要考虑到这一切，这一切到底有什么意义呢？我试过自己的衡量标准 ，但它只适用于SL=TP，对于其他比例，你必须计算赫斯特。