交易中的机器学习：理论、模型、实践和算法交易 - 页 2611 1...260426052606260726082609261026112612261326142615261626172618...3399 新评论 Serqey Nikitin 2022.03.31 12:52 #26101 Renat Akhtyamov #:99%的概率或0.99无百分比 你是个可怕的人! 拥有那样的概率并与凡人交流......？- 那是不真实的... Renat Akhtyamov 2022.03.31 12:56 #26102 Serqey Nikitin #:你是个可怕的人! 有这样的可能性并与凡人交流......？- 那是不真实的... 来吧;) 问题是，无论交易者如何努力，最终他们中的大多数人都是 在交易反趋势。 看一下CME上的交易量分布，它们是在线动态发布的，价格的行为也是如此。 这也只说明了一件事--价格对大多数人来说是个问题。 买入 - 价格下跌，反之亦然。 过去如此，将来也是如此 因为。 https://www.mql5.com/ru/forum/86386/page2605#comment_28636383 Машинное обучение в трейдинге: теория, практика, торговля и не только 2022.03.29www.mql5.com Добрый день всем, Знаю, что есть на форуме энтузиасты machine learning и статистики... Renat Akhtyamov 2022.03.31 13:13 #26103 根据CME的信息制定策略并不是一个好主意。 因为。 一旦他们注意到，他们就知道如何抛出错误的信息。 在那里，做了那件事;) Maxim Dmitrievsky 2022.03.31 16:09 #26104 正如阿列克谢指出的那样，它变成了一种助推力 在每次迭代中的改进，鉴于考试抽样 Iteration: 0, R^2: 0.187883200953193 Iteration: 1, R^2: 0.23135332833695177 Iteration: 2, R^2: 0.5069635195005324 Iteration: 3, R^2: 0.6549692113098968 Iteration: 4, R^2: 0.49450581772674385 Iteration: 5, R^2: 0.727741771152099 Iteration: 6, R^2: 0.7155342473909062 Iteration: 7, R^2: 0.7577880020333465 Iteration: 8, R^2: 0.7519731839574526 Iteration: 9, R^2: 0.6484696911159258 Iteration: 10, R^2: 0.7919754252032625 Iteration: 11, R^2: 0.7434806103697286 Iteration: 12, R^2: 0.7829611167594436 Iteration: 13, R^2: 0.8423847977639594 Iteration: 14, R^2: 0.8755566220080022 Iteration: 15, R^2: 0.8073736447495541 Iteration: 16, R^2: 0.7756062175823373 Iteration: 17, R^2: 0.8767667338484959 Iteration: 18, R^2: 0.8658089653482818 Iteration: 19, R^2: 0.7976304450279426 Iteration: 20, R^2: 0.8335757510984808 Iteration: 21, R^2: 0.8236019726095158 Iteration: 22, R^2: 0.8590437311223307 Iteration: 23, R^2: 0.8425455355207566 Iteration: 24, R^2: 0.7897953478024325 但后面就不好了（在左边），但有时会好一些。 有很多设置，我就不详细解释了。我已经尽我所能描述了这个想法。 Maxim Dmitrievsky 2022.03.31 16:28 #26105 如果你等待100次迭代 mytarmailS 2022.03.31 16:28 #26106 Maxim Dmitrievsky #: 规律性意味着可重复性。你不是在寻找一个模式，你是在做一个验证的配合。你的算法没有考虑到所发现的依赖关系的可重复性，因此它没有检查是否存在模式...这里有一个关于你手指的例子。你有一个100个观察值的样本。你可以建立100条规则，每次预测使用一次，或者找到一条规则，使用100次...你应该赌哪种方法？ Replikant_mih 2022.03.31 16:29 #26107 Maxim Dmitrievsky #:正如阿列克谢指出的那样，它变成了一种助推力在每次迭代中的改进，鉴于考试抽样但后面就不好了（在左边），但有时会好一些。有很多设置，我就不详细解释了。我已经尽我所能描述了这个想法。 基本上，我只需要看2个图表（股权），都是在纯粹的OOS上：1-第一个模型，经过训练，没有任何额外的功能，2-经过所有这些描述的程序。你也可以使用PF、RF和胜率等指标。因此，不清楚，什么是效果，一个美丽的学习曲线是，据我所知，对IS？ Maxim Dmitrievsky 2022.03.31 16:34 #26108 Replikant_mih #:事实上，你只需要看两张图表（股权），都是纯OOS的：1-第一个模型，经过训练，没有任何修饰，2-经过所有这些描述的程序。你也可以使用PF、RF和胜率等指标。因此，不清楚，什么是效果，一个美丽的学习曲线是，我的理解，对IS？图形的前三分之一--新数据，不参与学习 迭代25次和100次的图片显示了100次的改进，尽管最大限度是70次左右。 JeeyCi 2022.03.31 16:36 #26109 Maxim Dmitrievsky #:有一个这样的问题。使用了两个模型。一个预测买或卖，另一个预测交易或不交易。首先，第一个模型被训练，然后我们看它在哪里预测得不好，把这些例子标记为 "不要交易"，把其他好的例子标记为 "交易"，把这一点教给第二个模型。第一个模型不仅在训练区进行测试，也在附加区进行测试，第二个模型在两个区域都进行了训练。我们重复几次，在同一个数据集上重新训练两个模型。结果在样品上逐渐改善。但并不总是在对照样本上。与此同时，我们还保留了一份所有通道的不良交易累积日志，所有 "不交易 "的 "不良 "交易都被收集在其中，用于训练第二个模型，并根据一定的原则进行过滤，比如所有通道的不良交易副本越多，将其标记为 "不交易 "的机会就越大。例如，对于每个日期的所有迭代训练，都会积累一些不良交易的数量，如果这个数量超过了一个阈值（平均值，平均数），这些交易就会被标记为 "不交易"。其余的交易被跳过，否则，如果有大量的训练迭代，就有可能排除所有的交易。系数允许你调整输出端的交易数量，它越低，越多的交易被过滤掉。...在这一点上，我已经厌倦了写...如何改进这样的模型组合，使其在新的独立地块上改善其结果？ 是否有任何哲学思想来解释为什么这可能有效？除了在每一轮的再训练中，模型自然会相互改进（误差下降），但如何摆脱拟合？插图。该图被分成3个部分。最后一个是训练第一个模型，倒数第二个和最后一个是第二个，前三个是考试样本。自然，最后一节将是最好的，前三分之一是最差的。这里有15次迭代，重新训练两个模型，使用不良交易日志。 它看起来像一个微不足道的多标签分类 - 我们不应该改变模型的组合，而是预测器的组合 - 首先是将预测器分为智能和零售行为的特征...因为当然会有相反的信号，但OTF进场点（用于击穿水平）--它已经是模型选择的边缘（市场中的dtf或otf行动）...印象中 ========== 或者不做标记，而只是用LSTM 与忘记门的可能性，所以你不必从2个模型中分别过滤...但这都是口味的问题... 我在IBM上得到了一个回归（测试数据来自2021年底--那里的价格图上的右尾巴在训练和测试图上都有体现）......只需关闭... - ......我有一个微不足道的MA--而且它总是在趋势中工作（无论如何工作），而不是在平坦中工作--智能和零售行为应该被额外过滤（而且模型应该被重新设计，以对进入和离开进行分类......) 附加的文件： 31.03_IBM.jpg 22 kb 31.03_IBM_pred.jpg 22 kb Maxim Dmitrievsky 2022.03.31 16:39 #26110 JeeyCi #:看起来像一个微不足道的多标签分类法--应该变化的不是模型的组合，而是预测器的组合--首先是将预测器分为智能和零售行为的特征......因为当然会有相反的信号，但OTF进场点（用于击穿水平）--它已经是模型选择的边缘（市场中的dtf或otf行动）...印象中==========或没有标记，但只是用LSTM和 层，所以你不必从2个模型中分别过滤...但这都是口味的问题...我在IBM上得到了一个回归（测试数据来自2021年底--那里的价格图上的右尾巴在训练和测试图上都有体现）......只需关闭...- 我们有一个微不足道的MA--而且它总是在趋势中起作用（无论如何），而不是在平坦中起作用--智能和零售行为应该被额外过滤（模型应该被重新设计，以对进场和出场进行分类......) 这不是一个多标签，不同的意思。迭代排除不好的信号，把那些被主模型预测得很好的信号留在共同堆里，第二个模型学会把坏的和好的分开，禁止或允许第一个模型的交易 lstm总是产生MA，很久以前就测试过了。 1...260426052606260726082609261026112612261326142615261626172618...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
99%的概率或0.99无百分比
你是个可怕的人!
拥有那样的概率并与凡人交流......？- 那是不真实的...
你是个可怕的人!
有这样的可能性并与凡人交流......？- 那是不真实的...
来吧;)
问题是，无论交易者如何努力，最终他们中的大多数人都是 在交易反趋势。
看一下CME上的交易量分布，它们是在线动态发布的，价格的行为也是如此。
这也只说明了一件事--价格对大多数人来说是个问题。
买入 - 价格下跌，反之亦然。
过去如此，将来也是如此
因为。
https://www.mql5.com/ru/forum/86386/page2605#comment_28636383
根据CME的信息制定策略并不是一个好主意。
因为。
一旦他们注意到，他们就知道如何抛出错误的信息。
在那里，做了那件事;)
正如阿列克谢指出的那样，它变成了一种助推力
在每次迭代中的改进，鉴于考试抽样
但后面就不好了（在左边），但有时会好一些。
有很多设置，我就不详细解释了。我已经尽我所能描述了这个想法。
如果你等待100次迭代
正如阿列克谢指出的那样，它变成了一种助推力
在每次迭代中的改进，鉴于考试抽样
但后面就不好了（在左边），但有时会好一些。
有很多设置，我就不详细解释了。我已经尽我所能描述了这个想法。
基本上，我只需要看2个图表（股权），都是在纯粹的OOS上：1-第一个模型，经过训练，没有任何额外的功能，2-经过所有这些描述的程序。你也可以使用PF、RF和胜率等指标。因此，不清楚，什么是效果，一个美丽的学习曲线是，据我所知，对IS？
事实上，你只需要看两张图表（股权），都是纯OOS的：1-第一个模型，经过训练，没有任何修饰，2-经过所有这些描述的程序。你也可以使用PF、RF和胜率等指标。因此，不清楚，什么是效果，一个美丽的学习曲线是，我的理解，对IS？
图形的前三分之一--新数据，不参与学习
迭代25次和100次的图片显示了100次的改进，尽管最大限度是70次左右。有一个这样的问题。
使用了两个模型。一个预测买或卖，另一个预测交易或不交易。
首先，第一个模型被训练，然后我们看它在哪里预测得不好，把这些例子标记为 "不要交易"，把其他好的例子标记为 "交易"，把这一点教给第二个模型。
第一个模型不仅在训练区进行测试，也在附加区进行测试，第二个模型在两个区域都进行了训练。
我们重复几次，在同一个数据集上重新训练两个模型。结果在样品上逐渐改善。但并不总是在对照样本上。
与此同时，我们还保留了一份所有通道的不良交易累积日志，所有 "不交易 "的 "不良 "交易都被收集在其中，用于训练第二个模型，并根据一定的原则进行过滤，比如所有通道的不良交易副本越多，将其标记为 "不交易 "的机会就越大。
例如，对于每个日期的所有迭代训练，都会积累一些不良交易的数量，如果这个数量超过了一个阈值（平均值，平均数），这些交易就会被标记为 "不交易"。其余的交易被跳过，否则，如果有大量的训练迭代，就有可能排除所有的交易。
系数允许你调整输出端的交易数量，它越低，越多的交易被过滤掉。
...在这一点上，我已经厌倦了写...
如何改进这样的模型组合，使其在新的独立地块上改善其结果？
是否有任何哲学思想来解释为什么这可能有效？除了在每一轮的再训练中，模型自然会相互改进（误差下降），但如何摆脱拟合？
插图。该图被分成3个部分。最后一个是训练第一个模型，倒数第二个和最后一个是第二个，前三个是考试样本。自然，最后一节将是最好的，前三分之一是最差的。
这里有15次迭代，重新训练两个模型，使用不良交易日志。
它看起来像一个微不足道的多标签分类 - 我们不应该改变模型的组合，而是预测器的组合 - 首先是将预测器分为智能和零售行为的特征...因为当然会有相反的信号，但OTF进场点（用于击穿水平）--它已经是模型选择的边缘（市场中的dtf或otf行动）...印象中
==========
或者不做标记，而只是用LSTM 与忘记门的可能性，所以你不必从2个模型中分别过滤...但这都是口味的问题...
我在IBM上得到了一个回归（测试数据来自2021年底--那里的价格图上的右尾巴在训练和测试图上都有体现）......只需关闭...
- ......我有一个微不足道的MA--而且它总是在趋势中工作（无论如何工作），而不是在平坦中工作--智能和零售行为应该被额外过滤（而且模型应该被重新设计，以对进入和离开进行分类......)
看起来像一个微不足道的多标签分类法--应该变化的不是模型的组合，而是预测器的组合--首先是将预测器分为智能和零售行为的特征......因为当然会有相反的信号，但OTF进场点（用于击穿水平）--它已经是模型选择的边缘（市场中的dtf或otf行动）...印象中
==========
或没有标记，但只是用LSTM和 层，所以你不必从2个模型中分别过滤...但这都是口味的问题...
我在IBM上得到了一个回归（测试数据来自2021年底--那里的价格图上的右尾巴在训练和测试图上都有体现）......只需关闭...- 我们有一个微不足道的MA--而且它总是在趋势中起作用（无论如何），而不是在平坦中起作用--智能和零售行为应该被额外过滤（模型应该被重新设计，以对进场和出场进行分类......)
这不是一个多标签，不同的意思。迭代排除不好的信号，把那些被主模型预测得很好的信号留在共同堆里，第二个模型学会把坏的和好的分开，禁止或允许第一个模型的交易
lstm总是产生MA，很久以前就测试过了。