交易中的机器学习：理论、模型、实践和算法交易 - 页 2539

[Andrei Trukhanovich]

Sceptorist#:

我的意见只是开放或抽搐。

嗯，这是一个意见问题。在时间的确定性方面，接近是最准确的。

[Sceptorist]

如果有人能回答，我将非常感激。我刚刚开始阅读这个主题。我已经读了大约100页。有趣的是，感谢早期的作者。这就像一本日记。错误、发现、失望、成功的喜悦、破灭的希望......。一本小说，在一个很好的意义上。 学到了一些新东西，记住了一些旧东西，笑过了（不是没有这个）。完整的探矿者的日常生活，因为它是。我的问题很简单，在这种机器学习中，"机器 "是否仍然是一个黑盒子？我们是否向它提供了意见/建议，并希望得到答案？ 他们是否研究过它的 "内脏 "以及如何烹饪...？也许他们试图将机器翻译成他们在这里找到的MQL语言？

我可能会完成这个主题，到目前为止进展顺利，但希望能有破坏者)

[Maxim Kuznetsov]

Andrei Trukhanovich#:

嗯，这是一个意见问题。就时间的确定性而言，接近是最准确的。

就蜡烛图的不确定性而言，我们要么知道时间，要么知道确切的价格......收盘时知道时间，开盘时知道价格 :-)

形象地说，当从15.58到16.03没有刻度（这是一个正常的情况，有典型的时刻，这样的孔），然后收盘知道16.00的时间，但错误的价格，而对于开放的错误时间是正确的/相关的价格。

[Rorschach]

Sceptorist#:

如果有人能回答，我将不胜感激。我刚刚开始阅读这个主题。我已经读了大约100页。有趣的是，感谢早期的作者。这就像一本日记。错误、发现、失望、成功的喜悦、破灭的希望......。一本小说，在一个很好的意义上。 学到了一些新东西，记住了一些旧东西，笑了起来（不是没有这个）。完整的探矿者的日常生活，因为它是。我的问题很简单，在这种机器学习中，"机器 "是否仍然是一个黑盒子？你是否用投入/回报来喂养它，并希望得到当天的答案？ 你是否研究过Rrrrr的 "内脏 "是什么以及如何烹饪的...？也许他们试图将机器翻译成他们在这里找到的MQL语言？

我可能会完成这个主题，到目前为止进展顺利，但希望能有一些破坏者)

为了实现开悟，先从Onyx上的一个分支开始，然后才开始这个分支*讽刺。

阅读书籍

[JeeyCi]

我认为这里的哲学很简单。

(H+L)/Close。即接近。作为当前(！)时刻的最公平(平衡)，H/Close+L/Close，作为时间跨度中的分数之和，总的来说是+或-，即上升/下降的势头结果...印象中

Sceptorist#:

.我的问题很简单，在这种机器学习中，"机器 "是否仍然是一个黑盒子？你给它输入/谓语，你想得到一天的答案？

...而答案有点简单。

Maxim Kuznetsov#:

理论上，是的，但权重矢量或正向+反向坐标转换在哪里？

跨国公司 几乎是一个普遍的方法，我能说什么呢......我的意思是，它是抽象的，但为了使它发挥作用，你需要物理学的过程...

..VMNC - 加权的MNC（规模，例如，分散）...总的来说，在我看来，一切辉煌都应该是简单的......。

Renat Akhtyamov#:

不知道他们在做什么

可能是MO的预测因素（涉及到秤）。

我怀疑他们组成了一个函数，如

价格=a1*y1+a2*y2+...aN*yN

原则上讲是一种逻辑性的技巧

有趣的是将会产生什么结果

如果你把它分成几段，你可能需要把每一部分都乘以与角度有关的东西。

多项式--用于多变量分析（而你的公式--线性！！！）。- 顺便说一下，系数a在你的y[虽然x]是角度）- ...对于单因素 - 只是一个典型的直线方程（y=kx+bias）...

这里开始了微分最有趣的部分--多项式的阶数（=其弯曲数-1和信号从训练开始到结束的传播）--你当然不应该忘乎所以，但如果现实是这样，dy/dx=a^3x（不是线性 依赖）及以上。-- 那么我不认为这里有什么可做的 -- 采取现有的导数（我想我在某个地方看到过关于微分的建议，取决于1s和2s的差异=>选择多项式的程度 -- 找不到了）...或者考虑CDF并放弃极端的持久性...。我认为要找到平均数...或利用它们作为分析偏离平均值的信号...我认为...马克西姆-德米特里耶夫斯基就是这样用ML术语 来描述的

+和阻尼或增加梯度的问题也总是被提上日程......我想这就是适当加权的用武之地......尽管对于 "自由选择权重 "的支持者来说，权重的哲学可能有所不同......我讨厌俄语中的自由斗士（所以他们也开始扭曲公式中真正的相关性和因果关系）--正确的区分（即正确的变量）将给出正确的权重，而正确的NN架构将有助于将权重的意义带到学习结果 中去...... 印象中

p.s.

总之，对我来说，从近距离开始的H和L分数比仅仅是近距离激发了更多的信心......。- 这就是问题的关键--在黑箱中正确设置尺度（这就是为什么输入的东西和输出的东西很重要）--不要得到不合理的高/低分散......也不要在学习阶段失去重要的梯度--正如米哈伊尔-米山宁 已经说过的（在主题沉入洪水和争吵之前）--"让最重要的东西生存和进化"

在NN中 - 几乎就像在Titanik上一样

[Mihail Marchukajtes]

我用这样的多项式进行交易，并不感到紧张。

double decision = -0.07651082803761469 * sigmoid(x1 + x2 + x3) -0.04311207233300622 * sigmoid(x1 + x3 + x4) -0.05386865347421374 * sigmoid(x0 + x1 + x5) -0.00827465962899799 sigmoid(x1 + x2 + x4 + x5) -0.10576034451547747 * sigmoid(x4 + x6) -0.10960470278870797 * sigmoid(x0 + x2 + x3 + x5 + x6) -0.07378595451557275 * sigmoid(x0 + x1 + x2 + x4 + x5 + x6)  + 0.12026124486704332 * sigmoid(x7)  -0.06493964309873379 * sigmoid(x0 + x1 + x4 + x5 + x7)  -0.019388523137606112 * sigmoid(x1 + x2 + x4 + x5 + x7)  + 0.11097666707952629 * sigmoid(x4 + x6 + x7)  -0.0850998961499252 * sigmoid(x2 + x5 + x6 + x7)  -0.07273316247296563 * sigmoid(x0 + x4 + x8)  -0.2787231204565592 * sigmoid(x1 + x3 + x5 + x8)  -0.05990910736573329 * sigmoid(x0 + x1 + x4 + x6 + x8)  -0.0678407759220267 * sigmoid(x0 + x1 + x5 + x6 + x8)  -0.009089263426671367 * sigmoid(x0 + x2 + x3 + x4 + x7 + x8)  -0.10259720462275745 * sigmoid(1.0 + x3 + x4 + x8);

正如我之前所说，多项式本身并不像获得它的方法那样重要。但是，当每个人不能理解一个简单的短语时，他们就会变成聋子......。

[JeeyCi]

JeeyCi# :

我对H股和L股的收盘仍比我对收盘更有信心......

我自己会补充/反驳。

这里又是同样的问题--这里的 建议--分数可能不是万能 的，但动态范围可能根本不是 "2次关闭之间的时期差"

Khristian Piligrim#:

当然，对于稳定的性能和有效的预测来说，正确地训练模型是非常重要的，为此，你首先需要正确地形成输入数据。为此，我首先通过类比我在《金融工具的叠加和干扰原理》一文中的做法，对输入数据进行了缩放， ，然后我移动了缩放网格，使数据始终处于相同的动态范围，无论市场如何变化，我拒绝传统的归一化方法，它们对数据的扭曲太大。在下一阶段，我试图确保与训练有关的矢量被输入变量完全覆盖， ，见图1。- 重叠性差，见图2。- 是更好的，因此，训练的准确性将明显提高（黑线是向量，相对于它进行训练，其他线是输入信号）。

即关于方差的标准归一化，并不特别适合...(

? 也许，在为传入的数据配给系数时，也添加WMA，或者简单地按重量计算--毕竟，它反映了动态（虽然有滞后性）。

p.s.

1）但也许 "动态范围 "是非常简单的--2个MAs的交点--重要的是要正确掌握周期......。只有OTFs看50和200...但对于大数据分析来说，更有利的MA时期可以通过神经网络记忆来找到（如果考虑到其他相关因素的话）。印象中

2）尽管在我个人看来，"动态范围 "是一个/那些价格仍然是正常分布的时期，从水平到水平（我想你可以说集群 - 做了一个标记和再次工作/分类的权重/特征/记忆已经在市场上定义了 - 新的OTF到来之前）...但如何在输入配给中利用这一逻辑--我还不知道（除了让所有的dy/dx相同外，只做t统计）......当然，很糟糕的是，策略测试器本身并不选择特征（指数），而优化只可能针对给它的东西（而且远离干净的源信息）。- 所以人们不得不去找ML

[BillionerClub]

你有一个金矿，而你却看不到脚下。

[JeeyCi]

亿万富翁 俱乐部 #:
你有一个金矿，却看不到脚下的东西

很明显，SVM允许对非线性依赖关系进行线性分离（但降维必须以某种方式 进行调整--它有自己的细微差别）...但首先多变量分析（带多项式多元回归输出）对我来说很一般，当所有因素相互影响时，我不知道这个库是如何进行特征提取的（统计学有很多细微差别）...其次，要在python中为SVM挑选正确的超参数--你也需要对库有一定的了解......很多人都在这里跺脚（这个库很体面）--只要我描述的细微差别，用这个库建模的过程不会产生一个过度/不足/欠训的模型，过度训练或欠训...

要了解这个图书馆，如果你第一次看到它，你必须在你的脚下看很久......

"黄金 "部分是值得商榷的......我仍然怀疑，由于机器人的原因，我不能保持趋势并提前跳出。但我也不想在机器人没有注意到的情况下遭受缩水......。因此，即使在ML之前，一个高质量的统计模型也是物有所值的......以尝试增加50/50的概率......。印象中

[JeeyCi]

JeeyCi#:

或者考虑CDF并放弃极端的持久性......我认为要找到中间的一个......或利用它们

PDF尾部的概率（实际上是由CDF导出的，即PDF是一个差分PDF）：1-P（a<=X<=b），其中[-infinity,a]和[b,+infinity]是分布的尾部