交易中的机器学习：理论、模型、实践和算法交易 - 页 2261

[fxsaber]

Maxim Dmitrievsky:

复杂的模型是一个巨大的优势，但它需要几年的时间才能得出，而这几年的时间已经成功度过了

生物多样性是一切。

[[删除]]

fxsaber:

生物多样性是我们的一切。

一个简单的例子。数千次不同参数的运行VS一次训练，包括整个性状空间。然后进行同样的可视化和分析，消除多余的部分。

这是每一个...他想怎样就怎样。

[[删除]]

fxsaber:

我怀疑任何一个MO都能重新设计这样一个TS：它看的是过去与当前最相似的领域。如果在统计学上有进一步向某个方向移动的优势--那就是我们的信号。

如果在此之前，为了简单起见，搜索类似的片段不是在价格系列上进行，而是在一个转换的价格系列上进行，例如，ZigZags或条形被二进制逻辑取代：up(0)/down(1)。那么MO的再造任务就变得相当复杂。

错过了......在实例交易中尝试这种东西很有意思。

有2点。

• 任何价格转换--之字形等是一种分析方法，MO并不真正关心。你可以填写任何数量的标志，然后过滤掉没有信息的标志，使模型更轻。所有的 "之 "字形等等都只是同一数据的不同表现。
• MO以偏概全，所以如果你举例说明哪里可以交易，哪里不可以交易，可能会有效果。

有趣的是，你认为你已经通过之字形找到了某种模式。但最有可能的是某种隐蔽的季节性依赖，可以用1000种和1种方式来描述。好吧，如果是抽搐，那就换一个。

它甚至可能变成MO将撕毁你的TS在你自己的数据上。

但是，在我升级我的笔记本电脑之前，我还没有准备好与蜱虫打交道。

[fxsaber]

Maxim Dmitrievsky:

甚至可能会发现，国防部会根据你自己的数据撕毁你的TC

我并不怀疑这一点。但MO不会根据过去发现的类似情况来复制TC。

[[删除]]

fxsaber:

我并不怀疑这一点。但MO不会根据过去发现的类似情况来复制TC。

为什么它如此独特？ 你在历史上进行训练，MO会从其他特征中提取相同的依赖关系

你通过某种超标找到了猫和狗，但它们还有其他特征。例如，猫有长长的胡须

他们将学会通过胡须而不是耳朵来判断......什么会改变？

嗯，这是一个个体的事情。理论上是没有问题的。

好吧，这是文章中的boxplot例子。我发现了如你描述的案例中的统计模式。然后我在随机标志上训练NS，以交易季节性模式，它做得更好。这是为了理解。

[fxsaber]

Maxim Dmitrievsky:

是什么让它如此独特？

因为在MO中不会有比较的相似性表征。你不能简单地准备数据进行训练，除非你事先知道TC的基础是什么。

[[删除]]

fxsaber:
在MO中不会有比较的相似性特征。如果你事先不知道TS的基础是什么，就根本没有数据可以训练。

可能无法工作。但是，当数据已经准备好了，即有一个模式，那么在一些希尔伯特空间中，类的点（例如买入和卖出）是可以很好地分开的，不可能是其他情况。MO会捡起（试图）这样的特征来匹配它们。这里面有某种魔力，因为知道正确的属性甚至没有那么重要，重要的是正确标记数据，将猫和狗区分开来。

如果有交易他们的时间，你可以检查。

[fxsaber]

Maxim Dmitrievsky:

如果有交易他们的时间，你可以检查。

这个例子是假设性的。

[[删除]]

fxsaber:

这个例子是假设性的。

假设没有问题。"相似性 "将通过其他特征拉出来，因为时间序列 是相同的。 实际上，可能有困难，如手的弯曲度 )

你有一套接近的模式，可以很好地概括。你通过相关关系进行概括，模型将通过历史上的滑动窗口进行概括。类似的实体将被分组并标明买入/卖出/不交易。

模型内的类似聚类将看起来像这样，只是在多维空间。每个集群都有自己的买/卖标签。这是一个非常简单的任务。这只是一个笼统的说法。

[mytarmailS]

Maxim Dmitrievsky:
如果有生成模型的专家，我们可以尝试摇动GMM模型的协方差矩阵的选项。即不改变系列的平均值和方差，而是改变GMM协方差矩阵。输出的结果应该是很多具有不同属性的例子。

你是什么意思？

只需摇动矩阵的cov。它将是随机的....。

你需要知道目的--摇晃是为了什么，最后的剪辑应该是什么？