交易中的机器学习：理论、模型、实践和算法交易 - 页 2259

新评论
 
Dr.mr.mom Mishanin:

马克西姆，你试过神经图灵机 吗？ 在哪个框架下，你的成功经验是什么？

新年快乐，所有的愿望都能实现。

嗨，新年快乐。不，我现在对生成模型更感兴趣，它们更接近于图灵，如果你不能区分人工系列和真实系列。实际上，已经找到了将MO应用于市场的正确解决方案，但仍有细微差别。你只需要正确地模拟概念漂移，并教育自己
 
马克西姆-德米特里夫斯基：
嗨，新年快乐。不，我现在对生成模型更感兴趣，它们更接近于图灵，如果你不能区分人工系列和真实系列。实际上，已经找到了将MO应用于市场的正确解决方案，但仍有细微差别。你只需要正确地模拟概念漂移，并教育自己

...将MO应用于市场的正确解决方案已经被找到...那么这个解决方案是什么呢？我想有一些相互竞争的解决方案)

那么对概念漂移 的建模呢？反馈没有帮助吗？

而在概念上，还有什么假设。

- 随着时间的推移逐渐改变

- 周期性或周期性变化

- 突然或突发的变化

还是我们一次把所有东西都包括进去？

 
Dr.mr.mom Mishanin:

...将ME应用于市场的正确解决方案已经被找到...那么这个解决方案是什么呢？我想有一些相互竞争的解决方案)

那么对概念漂移 的建模呢？反馈没有帮助吗？

而在概念上，还有什么假设。

- 随着时间的推移逐渐改变

- 周期性或周期性变化

- 突然或突发的变化

还是一次性包括所有内容？

你需要看一下到底是什么在变化，以及轴的设计目的是什么。模拟什么变化，即创建人工系列。看看历史上的变化范围。没有单一的解决方案，但有可能根据情况和相当长的时间使其发挥作用。用于建模规范的逆向关系，例如递归甘氏，但我还没有谈到它们。而模型本身的分类器可以是任何

它通常归结为相当琐碎的事情，如增量平均数和方差偏差，这需要改变。而波动率的聚类是完美的模型
 
Maxim Dmitrievsky:

你需要看一下到底是什么在变化，以及轴的设计目的是什么。对正在变化的事物进行建模，即创建人工系列。看看历史上的变化范围。没有单一的解决方案，但有可能根据情况和相当长的时间使其发挥作用。用于建模规范的逆向关系，例如递归甘氏，但我还没有谈到它们。而模型本身的分类器可以是任何

通常情况下，这一切都归结为相当琐碎的事情，如平均增量转移，这需要改变。而波动率的聚类是完美的模型

如果平均数（也许是中位数）增量的转变，假设它是 "随时间逐渐变化"/"周期性或循环性变化"，把它引入模型作为控制变量，会怎么样？基于终身 学习的概念。

但对于突然或突发的变化，它可能更复杂，尽管它可能正好相反)

 
Dr.mr.mom Mishanin:

把增量的平均数（也许是中位数）的变化作为 "随时间推移的渐变"/"周期性或循环性变化"，作为控制变量引入模型，如何？基于终身 学习的概念。

突然或突发的变化可能更困难，尽管可能是相反的情况)

我对这种概念并不熟悉。我认为把这一排分成n个批次就足够了，如果你想要突然性，你可以洗牌。我不相信你能具体指出什么，但通过列举变体得到一个正常的模型不是问题。它没有看到新的数据，但被训练在类似的东西上，产生了。最主要的是变体的覆盖面要大，否则我们可能会不小心捡到

例如，在所有货币对上，我得到了在几个月内训练好的具有5年视野的模型+人工模型。我不知道全球变化是什么，但如果我们看季节性变化，平均数的转变是不同的。还没有做过模型。

 
Maxim Dmitrievsky:

例如，在所有货币对上，我在5年的范围内获得了良好的模式，在短短几个月+人工的情况下就学会了。那里的全球变化是什么，我不知道，但如果你看一下季节性的，平均的转变是不同的。还没有做过任何建模。

股票/商品是否会得到相同视野的模型？"几个月 "是英国石油公司的一段历史吗？如果是这样的话，那就是克朗代克!

 
Dr.mr.mom Mishanin:

股票/商品是否会得到相同视野的模型？"几个月 "是英国石油公司的一段历史吗？如果是这样的话，那就是克朗代克了!

这都是因地制宜的，某地是2个月，某地市场发生了巨大的变化，这段历史是不够的。在某个地方你需要额外的过滤器。我没有试过其他工具，你可以在指数上试试。

我试过其他的指数工具，你可以试试。 这只是方法本身--我们需要大量的似是而非的例子，它在任何地方都适用，不仅仅是对时间序列。没有什么超级科学，只需探究和观察 )

例如，在特定的时钟（季节性成分）上的教学，做了一个这样的brutforce。按小时选择模式。每个点是一个模型，每块表训练10个模型。点越密集、越高越好

你可以在图表上看到，在交易日的边缘有很多好的模型，在中间，即波动性大的地方，这个策略的效果比较差（平均）。只有几个彻底的垃圾期，其余的都是可以利用的。


然后在我看的第5个小时里，我得到了这样一个平衡曲线。所有的模式对他来说都是好事。一半测试，一半跟踪（5年）。对于季节性的，我需要2个月以上，因为例子很少。

而所有这些都是本着这种精神。我想写一篇文章，但字数太少。

这是英镑兑美元，但它适用于所有货币对


 
Maxim Dmitrievsky:

按小时选择模型。每个点是一个模型，每块手表训练了10个模型。点越密集、越高越好

然后在我看的第5个小时里，我得到了这样一个平衡曲线。所有的模型都很适合。一半是测试，一半是三等奖（5年内）。对于季节性的，我需要2个月以上的时间，因为例子很少。

而所有这些都是本着这种精神。我想写一篇文章，但字数太少。

这是英镑兑美元，但它适用于所有货币对

他们是如何长期无视明显的问题的？

 
如果有生成模型方面的专家，我们可以尝试摇动GMM模型的协方差矩阵的方案。也就是说，不要改变序列的均值和方差，而是改变GMM协方差矩阵。输出应该是许多具有不同属性的例子
1...225222532254225522562257225822592260226122622263226422652266...3399
新评论