交易中的机器学习：理论、模型、实践和算法交易 - 页 2772 1...276527662767276827692770277127722773277427752776277727782779...3399 新评论 СанСаныч Фоменко 2022.10.02 16:19 #27711 mytarmailS #:是否有任何交易发生？ 还是所有交易都是在 r-ka 的测试层面上进行的？ 只有 R。 Evgeni Gavrilovi 2022.10.02 20:19 #27712 我远不是数学专家，所以我想知道如何解决一个问题。 大家都知道，将温度从华氏度转换为摄氏度要使用标准公式：C = (F-32)*5/9 梯度法 在样本内显示出极佳的结果，但在样本外误差会立即增加。 为什么？因为公式非常简单。对于货币市场上的复杂关系，我们能说什么呢？） 如何使该算法在 OOS 上显示良好结果？ Maxim Dmitrievsky 2022.10.02 20:34 #27713 Evgeni Gavrilovi 梯度比色法 在样本内显示出极佳的效果，但超出样本范围后，误差会立即增加。 为什么？因为这个公式非常简单。对于货币市场上的复杂关系，我们能说什么呢？）如何让这种算法在 OOS 上显示出良好的结果？ 您需要将所有数据归一化到一个范围内，或者从相同的值范围内提取 OOS。在此范围之外，将预测该范围内的极端值，这就是森林和波斯特以及 OOS 的部分工作原理。 Ivan Butko 2022.10.03 02:06 #27714 我一直想知道为什么要在策略测试器中 调整权重？这很合适...... 最好的解决办法难道不是在策略测试器中优化激活的神经元数量、层数和函数类型（有些在第一层，有些在最后一层）吗？ 我决定测试一下这个想法。单层网络（我不知道如何扩展层数），神经元上有正切函数（我不知道如何更改），输出端没有函数（我不知道如何设置）。训练期：2021/08/01-2022/08/01 年 优化包括选择以下参数：- 输入数据数（循环向输入端发送所需的收盘价差值 N0-N1 数，您可以做其他事情，但手头没有达到） - 从 1 到 999（数组变量不允许做更多），步骤 1。- 神经元数 - 从 1 到 99 999（别笑），第 1 步。- 集合数（Bar++[输入数据数]） - 9 999，第 1 步。由于训练是在小时图上进行的，因此一年中有 6500 个条形图。- 输出的学习因子：从 0 到 1，步长 为 0.00001。 - 输入的学习因子：从 0 到 1，步长为 0.00001。00001- epochs 的数量 - 从 1 到 1000，步长为 1。 所以，我马上告诉你关于 epochs 的数量 - 我没有设法改变任何东西，无论是 1 epoch 还是 1000，我都没有注意到太大的区别，可能存在一些误差。 但是！有趣的观察结果：- 神经元数量越多，交易越多（几乎每根蜡烛都是如此，如果它们的预测方向不同的话）- 在前 10 个最佳结果中，输入的学习率通常接近 0.7 - 在前 10 个最佳结果中，输出的学习率通常接近 0.07- 最佳结果显示了以下公式：输入数据数 < 神经元数 < 集数。最佳结果（在我有耐心等待的情况下）是这样的：约 200 个输入数据、约 300 个神经元和约 400 个集合。为什么是最佳结果？因为在回溯测试中--起伏平稳增长，在前 2 个月中--起伏平稳增长，....。 出于兴趣，99999 个神经元 - 50/50，但自然是最高利润 - 或最高缩水 。同时，输入数不超过 100，集数不超过 100。这是一个漫长的等待时间。但是，不知道 1000 次输入和 1000 套或 10 000 次输入的结果会如何。 mytarmailS 2022.10.03 07:08 #27715 Evgeni Gavrilovi 梯度比色法 在样本内显示出极佳的效果，但超出样本后，误差会立即增大。 为什么？因为这个公式非常简单。对于货币市场上的复杂关系，我们能说什么呢？）如何让这种算法在 OOS 上显示出好结果？ 您必须在样本上学习 AMO，并在测试样本上选择模型....。谷歌交叉验证 mytarmailS 2022.10.03 07:43 #27716 СанСаныч Фоменко #:只有 R 那么代码中很可能存在错误，您需要用真实报价或模拟报价进行测试....。我最近就遇到过这种情况，符号看起来是 +1 bar，根本不是明显的错误，花了半个小时才解决....。 mytarmailS 2022.10.03 08:08 #27717 Ivan Butko 策略测试仪 中要调整权重？这就是拟合...... 这不是最好的办法吗.....？第一个和第二个是拟合，也就是搜索未知参数，也就是优化。拟合什么并不重要，权重、神经元数量。神经元，FUN，激活，篮子里的苹果数量。 Ivan Butko 2022.10.03 08:55 #27718 mytarmailS #:前者和后者都是拟合，也就是寻找未知参数，也就是优化。 拟合什么并不重要，权重、神经元数量。神经元，FUN，激活，篮子里苹果的数量。 说起来真可怜我不知道该怎么办。 基本选项，还能去哪里找...... mytarmailS 2022.10.03 09:13 #27719 Ivan Butko #:说起来真让人难过。我不知道该怎么办。 这是主要的选择，还能去哪里找...... 讽刺？ Ivan Butko 2022.10.03 09:16 #27720 mytarmailS #: 讽刺？ 不，一点也不。我只是不知道还能做什么想利用市场上的神经网络......我觉得也没什么前途 1...276527662767276827692770277127722773277427752776277727782779...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
是否有任何交易发生？ 还是所有交易都是在 r-ka 的测试层面上进行的？
只有 R。
我远不是数学专家，所以我想知道如何解决一个问题。
大家都知道，将温度从华氏度转换为摄氏度要使用标准公式：C = (F-32)*5/9
梯度法 在样本内显示出极佳的结果，但在样本外误差会立即增加。
为什么？因为公式非常简单。对于货币市场上的复杂关系，我们能说什么呢？）
如何使该算法在 OOS 上显示良好结果？
为什么？因为这个公式非常简单。对于货币市场上的复杂关系，我们能说什么呢？）
如何让这种算法在 OOS 上显示出良好的结果？
最好的解决办法难道不是在策略测试器中优化激活的神经元数量、层数和函数类型（有些在第一层，有些在最后一层）吗？
我决定测试一下这个想法。单层网络（我不知道如何扩展层数），神经元上有正切函数（我不知道如何更改），输出端没有函数（我不知道如何设置）。训练期：2021/08/01-2022/08/01 年
优化包括选择以下参数：
- 输入数据数（循环向输入端发送所需的收盘价差值 N0-N1 数，您可以做其他事情，但手头没有达到） - 从 1 到 999（数组变量不允许做更多），步骤 1。
- 神经元数 - 从 1 到 99 999（别笑），第 1 步。
- 集合数（Bar++[输入数据数]） - 9 999，第 1 步。由于训练是在小时图上进行的，因此一年中有 6500 个条形图。
- 输出的学习因子：从 0 到 1，步长 为 0.00001。
- 输入的学习因子：从 0 到 1，步长为 0.00001。00001
- epochs 的数量 - 从 1 到 1000，步长为 1。
所以，我马上告诉你关于 epochs 的数量 - 我没有设法改变任何东西，无论是 1 epoch 还是 1000，我都没有注意到太大的区别，可能存在一些误差。
但是！有趣的观察结果：
- 神经元数量越多，交易越多（几乎每根蜡烛都是如此，如果它们的预测方向不同的话）
- 在前 10 个最佳结果中，输入的学习率通常接近 0.7
- 在前 10 个最佳结果中，输出的学习率通常接近 0.07
- 最佳结果显示了以下公式：输入数据数 < 神经元数 < 集数。最佳结果（在我有耐心等待的情况下）是这样的：约 200 个输入数据、约 300 个神经元和约 400 个集合。为什么是最佳结果？因为在回溯测试中--起伏平稳增长，在前 2 个月中--起伏平稳增长，....。
出于兴趣，99999 个神经元 - 50/50，但自然是最高利润 - 或最高缩水 。同时，输入数不超过 100，集数不超过 100。这是一个漫长的等待时间。但是，不知道 1000 次输入和 1000 套或 10 000 次输入的结果会如何。
为什么？因为这个公式非常简单。对于货币市场上的复杂关系，我们能说什么呢？）
如何让这种算法在 OOS 上显示出好结果？
只有 R
说起来真可怜我不知道该怎么办。
基本选项，还能去哪里找......说起来真让人难过。我不知道该怎么办。
这是主要的选择，还能去哪里找......讽刺？
不，一点也不。我只是不知道还能做什么想利用市场上的神经网络......我觉得也没什么前途