交易中的机器学习:理论、模型、实践和算法交易 - 页 2595 1...258825892590259125922593259425952596259725982599260026012602...3399 新评论 Replikant_mih 2022.03.11 15:04 #25941 elibrarius#: 后来发现,你必须在尽可能短的路段上进行训练。因此,在改变模式后,新模式开始更快工作。 例如,如果你训练了12个月,那么在6个月后改变模式,新旧模式将各占一半。而在一年左右的时间里,将会有新模式的培训和交易。也就是说,几乎整整一年的时间里,这个模式一直在用一个过时的模式进行交易,而且很可能是亏损。 如果你训练了1个月,那么这个模式将在一个月内再次学会正确工作。训练1周就好了...但没有足够的数据。 短时间内根本不值得去,我敢肯定。而且数据将缺乏模型和对市场条件过度拟合的风险。适应的概念看起来不错,但由于滞后(在积累数据的同时,状态可能已经改变),它很难成为圣杯。可以同时尝试几个模型--一个负责长期模式,另一个/其他负责短期(当前)模式,解决方案是所有这些模型的解决方案的一个函数。 Aleksei Kuznetsov 2022.03.11 15:04 #25942 Aleksey Nikolayev#: 在交易中使用MO还有更有趣的问题。例如,确定采取哪一个历史区间进行训练的算法。也许它可以通过一些元参数来设置,这些元参数通过交叉验证进行优化。我需要阅读普拉多)。 也许向前滚动更好,它在火车后总是有OOS。在SW上,只有第一遍会是这样,其他的会同时使用前和后的数据进行转场。 Aleksei Kuznetsov 2022.03.11 15:09 #25943 Replikant_mih#: 在短期内根本不值得去做,我相信。而且,将缺乏模型的数据,并有可能对市场条件过度拟合。适应的概念看起来不错,但由于滞后(当你积累数据时,状态可能已经改变),它很难成为圣杯。你可以同时尝试几个模型--一个负责长期模式,另一个/其他负责短期(当前)模式,解决方案是所有这些模型的解决方案的一个函数。 根据最近对5000行M5的实验(大约2个月),有一些有趣的事情。在3000年的时候,它已经很糟糕了。但这是针对特定的芯片+目标采取的。也许在短图上训练后,模型工作时有一组不同的特征和目标。我们将不得不进行实验... Replikant_mih 2022.03.11 15:14 #25944 elibrarius#: 根据最近对5000行M5的实验(大约2个月),有一些有趣的事情。在3000年的时候,它已经很糟糕了。但这是针对所采取的特定芯片+目标的。也许有一组不同的小说和目标,当模型在简短的情节上训练后工作。我们将不得不进行实验... 取决于功能的数量,我喜欢更多的功能,通常5000是不够的,如果你有多达5个功能,也许5000就可以了。 [删除] 2022.03.11 15:15 #25945 elibrarius#: 后来发现,你必须在尽可能短的路段上进行训练。因此,在改变模式后,新模式开始更快工作。 例如,如果你训练了12个月,那么在6个月后改变模式,新旧模式将各占一半。而在大约一年之后,会有新模式的培训和交易。也就是说,几乎整整一年的时间里,这个模式一直在用一个过时的模式进行交易,而且很可能是亏损。 如果你训练了1个月,那么这个模式将在一个月内再次学会正确工作。训练1周就好了...但是已经没有足够的数据了。 那么它可能会学习不足,给予较少的利润......这是一种选择问题,我想。有时从当前分布中取样对短样本有帮助,比如在文章中 [删除] 2022.03.11 15:22 #25946 Replikant_mih#: 关于噪音,是的。不过,没有考虑到在有噪音和无噪音的情况下取舍故事的章节。顺便说一下,在模型训练之前,如何理解这一点?比如说,反复地?你训练整个部分,看它在哪里表现最好,离开这些部分,只先训练这些部分?这就产生了第二个问题,在实验验证之前可以称之为哲学问题:是让模型立即看到不同的区域,包括嘈杂的区域,但在嘈杂的数据中进行平均训练,还是在更干净的数据中进行训练,但根本看不到嘈杂的数据?而且,巨大的尺寸有什么问题呢?除了增加的计算时间外? 好吧,就像在不同的托盘长度上对最后的历史进行训练,并比较模型在早期历史上是如何工作的,如果它们在某个地方停止工作,那么这就是 "过去的适用范围",考虑到最后的历史。你不知道未来会如何,但你可以确定停止机器人的标准--例如,如果它开始比历史上的交易情况更糟糕。在一个长样本上,在子样本上显示的一般模式可能会消失。如果来自子样本的规律性相互矛盾,我们将不得不只从噪声中学习,这在大多数情况下是成功的:) [删除] 2022.03.11 15:31 #25947 elibrarius#: 也许用瓦尔金转发器更好,它在三线之后总是有OOS。在SW中,只有第一关是这样的,其余的都是使用训练前和训练后的数据。 有一个特殊的时间序列KV,以catbust为例。但这样一来,数据集就不能被洗牌了。而如果你不洗牌的话,就像装到同等长度的移位段。而如果你洗牌,那么训练更多的是针对局部信号,而不是取决于,大致上,变化的趋势。谁知道哪个更好呢 :) Aleksei Kuznetsov 2022.03.11 15:45 #25948 马克西姆-德米特里耶夫斯基#: 而如果你不把它混在一起,就像装到等长的交替部分。 这就是我打算的交易方式。长度将相当于一个星期。一个星期的交易,一个周末的训练。而往前走也是如此。 mytarmailS 2022.03.11 16:11 #25949 愚蠢的行为 Aleksey Nikolayev 2022.03.12 07:38 #25950 elibrarius#: 也许用瓦尔金转发器更好,它在三线之后总是有OOS。在SW中,只有第一个通道是这样的,其余的将使用前后的OOS来追踪数据。 如果回答 "如何在下一个时期进行交易?"我同意你的观点。如果回答 "这段历史有什么规律吗?",那么TOR就相当适用。 1...258825892590259125922593259425952596259725982599260026012602...3399 新评论 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
后来发现,你必须在尽可能短的路段上进行训练。因此,在改变模式后,新模式开始更快工作。
例如,如果你训练了12个月,那么在6个月后改变模式,新旧模式将各占一半。而在一年左右的时间里,将会有新模式的培训和交易。也就是说,几乎整整一年的时间里,这个模式一直在用一个过时的模式进行交易,而且很可能是亏损。
如果你训练了1个月,那么这个模式将在一个月内再次学会正确工作。
训练1周就好了...但没有足够的数据。
短时间内根本不值得去,我敢肯定。而且数据将缺乏模型和对市场条件过度拟合的风险。适应的概念看起来不错,但由于滞后(在积累数据的同时,状态可能已经改变),它很难成为圣杯。可以同时尝试几个模型--一个负责长期模式,另一个/其他负责短期(当前)模式,解决方案是所有这些模型的解决方案的一个函数。
在交易中使用MO还有更有趣的问题。例如,确定采取哪一个历史区间进行训练的算法。也许它可以通过一些元参数来设置,这些元参数通过交叉验证进行优化。我需要阅读普拉多)。
也许向前滚动更好,它在火车后总是有OOS。在SW上,只有第一遍会是这样,其他的会同时使用前和后的数据进行转场。
在短期内根本不值得去做,我相信。而且,将缺乏模型的数据,并有可能对市场条件过度拟合。适应的概念看起来不错,但由于滞后(当你积累数据时,状态可能已经改变),它很难成为圣杯。你可以同时尝试几个模型--一个负责长期模式,另一个/其他负责短期(当前)模式,解决方案是所有这些模型的解决方案的一个函数。
根据最近对5000行M5的实验(大约2个月),有一些有趣的事情。在3000年的时候,它已经很糟糕了。但这是针对所采取的特定芯片+目标的。也许有一组不同的小说和目标,当模型在简短的情节上训练后工作。我们将不得不进行实验...
取决于功能的数量,我喜欢更多的功能,通常5000是不够的,如果你有多达5个功能,也许5000就可以了。
后来发现,你必须在尽可能短的路段上进行训练。因此,在改变模式后,新模式开始更快工作。
例如,如果你训练了12个月,那么在6个月后改变模式,新旧模式将各占一半。而在大约一年之后,会有新模式的培训和交易。也就是说,几乎整整一年的时间里,这个模式一直在用一个过时的模式进行交易,而且很可能是亏损。
如果你训练了1个月,那么这个模式将在一个月内再次学会正确工作。
训练1周就好了...但是已经没有足够的数据了。
关于噪音,是的。不过,没有考虑到在有噪音和无噪音的情况下取舍故事的章节。顺便说一下,在模型训练之前,如何理解这一点?比如说,反复地?你训练整个部分,看它在哪里表现最好,离开这些部分,只先训练这些部分?这就产生了第二个问题,在实验验证之前可以称之为哲学问题:是让模型立即看到不同的区域,包括嘈杂的区域,但在嘈杂的数据中进行平均训练,还是在更干净的数据中进行训练,但根本看不到嘈杂的数据?
而且,巨大的尺寸有什么问题呢?除了增加的计算时间外?
也许用瓦尔金转发器更好,它在三线之后总是有OOS。在SW中,只有第一关是这样的,其余的都是使用训练前和训练后的数据。
而如果你不把它混在一起,就像装到等长的交替部分。
也许用瓦尔金转发器更好,它在三线之后总是有OOS。在SW中,只有第一个通道是这样的,其余的将使用前后的OOS来追踪数据。
如果回答 "如何在下一个时期进行交易?"我同意你的观点。如果回答 "这段历史有什么规律吗?",那么TOR就相当适用。