交易中的机器学习：理论、模型、实践和算法交易 - 页 2723

新评论
 
Maxim Dmitrievsky #:
随机性更强，所以你必须费尽心机才能使其发挥作用。

你可以把数列分解成几个部分，找出随机性，找出确定性部分。摒弃随机性，留下其余部分...这是 BP 处理的标准案例...

但是，这也行不通。

在新数据的某个时刻，随机性会变成确定性，而确定性会变成随机....。

所以也是无）

 
mytarmailS #:

您可以将数列分解成若干部分（分解），找出随机部分，找出确定部分。丢弃随机部分，留下其余部分...BP 处理的标准案例...

但是，这也行不通。

在新数据的某一点上，随机会变成确定，而确定会变成随机....

所以也不行）。

当然，为了便于解释，教程中的 BP 都很简单。实际上，情况要比这复杂得多。

还有其他一些非金融的虚拟现实也很难预测，可能误差最小。但在交易中就比较简单，因为不需要一直预测，可以有选择地设置模型来预测。我在上一篇文章中已经这样做了，现在的主题仍然是选择信息特征。我已经想到了一种方法，现在只需要进行实验。

我想最终确定我的方法，而且根据我的想法，它应该是通用的，也就是说，它应该在任何货币上都能得出结果。

你的 "事件 "也让第三类人无法进行本质上的交易，这并没有什么新意。你把 BP 分成预测到的和预测不到的。
 
Maxim Dmitrievsky #:
你和你的 "事件 "也基本上是三等无交易，这没什么新鲜的。你把 BP 分成预测和非预测两种。

这是你的幻想，不是现实


目前我的看法是这样的：

有一个数据，假设有 10 万个观测值，我称之为 "X.big"。

1) 我们从 TS 中选择（模式、规则、事件、信号）我们感兴趣的东西，我称之为 "初始规则"（阿列克谢-丰茨激活。 这个名字非常不吉利，但是......）。

2) 我们从数据中选择 "初始规则"，现在我们有 100-1000 个观测值，而不是 10 万个，我们缩小了搜索空间 "X.small"。

3) 在"X. small "中，我们开始对特征进行全面搜索，我看到的特征是顺序规则的形式，规则是通过遗传编程自动生成的，我想进行全面搜索，但不确定能否 做到

4) 将创建的属性数组输入模型，比如一次输入 1000 个。

5）模型（某种 AMO）按重要性选择特征，保存好的特征，得到一个新的数组，等等....

6) 搜索的结果是，根据特定的 " 初始规则"，我们将得到几千个工作属性。


因此，如果我们把这一切称为模型，那么模型本身就会产生数十亿个特征，并选择必要的特征。

 
mytarmailS #:

这是你的幻想，不是现实


这就是我目前的看法：

有一个数据，假设有 10 万个观测值，我称之为 "X.big"。

1) 我们确定（模式、规则、事件、来自 TS 的信号）我们感兴趣的东西，我称之为 "初始规则"（Alexey Funtz。）

2) 我们从数据中选择 "初始规则"，现在我们有 100-1000 个观测值，而不是 100k，因为我们缩小了搜索空间 "X.small"。

3) 在"X. small "中，我们开始全面搜索特征，我看到的特征是顺序规则的形式，这些规则是通过遗传编程自动生成的，我想进行全面搜索，但不确定是否可行。

4) 将创建的特征数组输入模型，例如每次输入 1000 个。

5) 模型根据重要性选择特征，保存好的特征，得到一个新的数组，等....。

6) 搜索的结果是，根据特定的 " 初始规则"，我们可以得到几千个工作属性。


因此，如果我们把这一切称为一个模型，那么模型本身就会产生数十亿个特征，并选择必要的特征。

再次强调 25... 在意义上，这与三类分类法没有什么区别。

 
Maxim Dmitrievsky #:

25. 这与 3 级分类的意义没有什么不同

让我创建一个数据集，看看谁的算法更好。

 
Maxim Dmitrievsky #:
一个说我偷了他的想法，另一个说是他教我的......你们到底是谁？))))

"偷"--你刚才是这么说的吗？我看得出来，你很无耻。

关于交易、自动交易系统和交易策略测试的论坛。

交易中的机器学习：理论、实践、交易及其他

Aleksey Vyazmikin, 2020.12.03 19:11

因此，我们的想法是对模型进行评估，而模型实际上会解开令人困惑的目标，在这种情况下，我们可以评估其成功与否，而不仅仅是看一切是多么令人困惑。

我正在考虑尝试级联学习法（这是我自己创造的一个术语--可能有不同的说法）。 从图中可以看出，有些区域的训练是成功的--离开这个区域，超出这个区域的部分再进行训练，之前已经从样本中删除了属于左侧区域分布的示例。 我已经尝试过手工操作--效果不错，现在我想自动操作，但第二天仍然没有收获--我担心效果是偶然的--我不想让自己难过。您对此有何看法？我认为用 Python 很容易实现。

文章 中已经讨论过这个问题。

我引述如下

"

我们想编写一种能够分析和纠正自身错误的算法，迭代改进其结果。为此，我们建议使用一组两个分类器，并按 下图 所示顺序对它们进行训练。

"

"

这种方法的直觉是，按照混淆矩阵的术语，亏损交易是基础模型的第一类分类错误。也就是说，它们是被归类为假阳性的案例。元模型会过滤掉这些案例，并为真阳性案例打 1 分，为其他案例打 0 分。 通过过滤元模型数据集来训练基础模型，我们提高了模型的精确度，即买入和卖出触发的正确率。同时，元模型通过对尽可能多的不同结果进行分类，提高了其 Recall（完整度）。

"

想法是一样的，但你已经完成了实现并解决了细节问题--我只说了概念，我不确定我是否公布了我的实验和实现代码。

我提醒你的背景是，你现在可能还不理解它的含义，等以后理解了再用。而且，不理解并不能成为你行为不当、对他人的个性和逻辑表达你的价值判断的理由。

 
mytarmailS #:

让我创建一个数据集，看看谁的算法更好。

数据集由什么组成？我只把报价作为输入。

 
Aleksey Vyazmikin #:

"偷"--你刚才是这么说的吗？我看得出来，他很无耻

这就是那篇文章 要说的。

引用：

"

我们希望编写一种算法，能够分析和纠正自身的错误，不断改进结果。为此，我们建议使用一组两个分类器，并按 下图 所示顺序对它们进行训练。

"

"

这种方法的直觉是，按照混淆矩阵的术语，亏损交易是基础模型的第一类分类错误。也就是说，它们是那些被归类为假阳性的案例。元模型会过滤掉这些案例，并为真阳性案例打 1 分，为其他案例打 0 分。 通过过滤元模型数据集来训练基础模型，我们提高了模型的精度，即买入和卖出触发的正确率。与此同时，元模型通过对尽可能多的不同结果进行分类来提高其 Recall（完整度）。

"

想法是一样的，但你已经完成了实现并制定了细节--我只说了概念，我不确定我是否公布了我的实验和实现代码。

我是在这样的框架下提醒大家的：你们可能现在还不理解我们在说什么，等以后理解了再用。而且，不理解并不能成为行为不当的理由，也不能成为你对他人的个性和逻辑进行价值判断的理由。

那么，让我们来看看文章中的代码。如果什么都还没有，我为什么要明白我们在说什么。

我有很多这种实现方法的变种，包括重新训练而不是再次训练、按基线重新训练等等。

特别是当你开始做的时候，结果与最初计划的幻想是不同的

 
Maxim Dmitrievsky #:

数据集包括哪些内容？我只接受报价作为输入

最近 200 件的 OHLS 价格和一个标签，您可以添加时间。

 
mytarmailS #:

OHLS 价格为 200 个和一个标签，可添加时间。

200 件？ 怎么这么少？ 我没有标签，我有自动分区。

我得重写一下。

1...271627172718271927202721272227232724272527262727272827292730...3399
新评论