交易中的机器学习：理论、模型、实践和算法交易 - 页 2838 1...283128322833283428352836283728382839284028412842284328442845...3399 新评论 Andrey Dik 2022.12.08 18:42 #28371 mytarmailS #:是否有办法通过梯度将平衡或其他任何东西输入到 boost.... 中？这是原理图：我们在图表上标记完美交易（在极值下跌时买入，在极值上涨时卖出），然后创建一个虚假的完美交易。我称之为完美平衡然后，我们从助推器中计算出交易余额在目标函数中，我们只需计算助推器的贸易平衡与理想平衡的误差。这样，我们就得到了对理想平衡的调整，也就是说，这不是在寻找一个抽象的利润最大值，而是对利润平衡所体现的理想贸易的调整。蓝色为理想平衡，黑色为 traine 和模型试验。 嗯，这和我说的差不多。 这是从原始平衡中导出的函数，是一个更平滑的函数。这就是我们需要寻找的导出函数的全局最优点。 在原始函数的基础上创建导数的方法有很多，只是受想象力的限制。 如果您理解了，那就好；如果您不理解，那就请绕过。 mytarmailS 2022.12.08 18:53 #28372 Andrey Dik #:如果你理解了，那就好；如果你不理解，那就走过去。 我的攻击是关于这样一个事实，即你不能在同等条件下比较不同的 AO，并决定哪一个好，哪一个不好....。 每种 AO 都有自己的优化面。 选择 AO 取决于优化面，而不是主观喜好。 如果优化面是光滑的，而且只有一个最小值，那么如果有人对其使用遗传算法、蜂群算法、退火算法或任何其他全局优化算法，那么他就是个傻瓜，因为梯度下降法解决这个问题的速度要快 100 倍。 如果曲面是复杂的、嘈杂的、有许多最小值的，而一个人使用梯度下降算法，那么他同样是个 傻瓜 ，因为算法会卡在最长的最小值 上。 如果一个人决定将梯度下降法与遗传学 等进行比较，那么他继续下去就是 傻瓜 吗？ 这是对基本事物的误解。 Andrey Dik 2022.12.08 19:01 #28373 mytarmailS #:我的攻击是，你不能在平等的基础上比较不同的 AO，并决定哪一个是好的，哪一个是坏的。每个 AO 都有自己的优化面。选择哪种 AO 取决于优化面，而不是主观同情 我用三种完全不同的测试函数对算法进行了比较，这样你就可以在不同的测试中看到每种算法的具体优势，从而了解它们的强项所在，进而根据研究人员的具体任务选择最佳算法。 大多数专门针对网络的算法在其逻辑中都有某种形式的平滑或矩阵。它们以目标问题函数的平滑导数应用为导向。 mytarmailS 2022.12.08 19:08 #28374 Andrey Dik #:我用三种完全不同的测试功能对算法进行了比较，因此您可以在不同的测试中看到每种算法的具体优势，从而了解它们的强项所在，进而为研究人员的具体任务选择最佳算法。大多数专门针对网络的算法在其逻辑中都有某种形式的平滑或矩阵。它们以目标问题函数的平滑导数应用为导向。 不能在相同条件下比较不同类型的 AO，因为它们解决的问题各不相同，这就是我想说的 Andrey Dik 2022.12.08 19:20 #28375 mytarmailS #:你不能在相同条件下比较不同类型的 AO，因为它们要执行的任务不同，这就是我的意思。 我想我没有理解我上次说的话....再说一遍，比较是可能的，这就是为什么要使用不同的测试问题，以便根据任务的具体情况对算法进行充分比较。 例如：如果 ADAM 在平滑函数上显示出优势--很好！- 那么就应该这样使用，否则最好选择其他算法。但如果 ADAM 在所有测试中都表现糟糕，那么我们就应该选择更好的算法，仅此而已。如今，大多数人只是根据 "时尚 "来选择特定的算法，却不知道自己是否做出了最佳选择。 [删除] 2022.12.08 19:30 #28376 完美的等级标记，因此是完美的平衡。油是油性的。不可能有任何改进。我想，通过自定义指标来选择机型有时会很有用。但总的来说，都是金玉其外败絮其中 Andrey Dik 2022.12.08 20:08 #28377 Maxim Dmitrievsky #: 完美的等级标记，因此是完美的平衡。油是油性的。不可能有任何改进。我想，通过自定义指标来选择机型有时是有用的。但总的来说，这些都是金玉其外败絮其中。是的，但这已经足够让你了解为什么需要衍生问题了。理想情况下，我们应该有一套完整的模型参数集（完整的枚举），并根据 oos 的稳定性对参数集进行分类。这在理论上是可行的，但在实践中并不可行。 [删除] 2022.12.09 07:04 #28378 显然，我们并没有直接比较不同的算法。只是想看看它们是如何收敛的，也许还有更新的算法。我听说过各种作者基于其他学习原理的 NS 架构，但我还没见过它们 Aleksey Nikolayev 2022.12.09 08:37 #28379 Maxim Dmitrievsky #:我想，通过自定义指标来选择机型有时会很有用。但总的来说，这些都是金玉其外败絮其中的东西 我的直觉告诉我，MO 很快就会成为交易中的常用手段。 这并不是说它是盈利的保证，但不使用它将被视为失败的保证）。 Aleksey Nikolayev 2022.12.09 08:43 #28380 San Sanych 说得没错，由于市场的非稳态性，历史上的优化结果 存在适用性问题。问题是，我们只有这种优化方法。例如，他自己的特征选择方法也是对历史的优化，尽管更加棘手）。 再比如某种交叉验证--这也是对历史的优化。 1...283128322833283428352836283728382839284028412842284328442845...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
是否有办法通过梯度将平衡或其他任何东西输入到 boost.... 中？
这是原理图：
我们在图表上标记完美交易（在极值下跌时买入，在极值上涨时卖出），然后创建一个虚假的完美交易。
我称之为完美平衡
然后，我们从助推器中计算出交易余额
在目标函数中，我们只需计算助推器的贸易平衡与理想平衡的误差。
这样，我们就得到了对理想平衡的调整，也就是说，这不是在寻找一个抽象的利润最大值，而是对利润平衡所体现的理想贸易的调整。
蓝色为理想平衡，黑色为 traine 和模型试验。
嗯，这和我说的差不多。
这是从原始平衡中导出的函数，是一个更平滑的函数。这就是我们需要寻找的导出函数的全局最优点。
在原始函数的基础上创建导数的方法有很多，只是受想象力的限制。
如果您理解了，那就好；如果您不理解，那就请绕过。
如果你理解了，那就好；如果你不理解，那就走过去。
我的攻击是关于这样一个事实，即你不能在同等条件下比较不同的 AO，并决定哪一个好，哪一个不好....。
每种 AO 都有自己的优化面。
选择 AO 取决于优化面，而不是主观喜好。
如果优化面是光滑的，而且只有一个最小值，那么如果有人对其使用遗传算法、蜂群算法、退火算法或任何其他全局优化算法，那么他就是个傻瓜，因为梯度下降法解决这个问题的速度要快 100 倍。
如果曲面是复杂的、嘈杂的、有许多最小值的，而一个人使用梯度下降算法，那么他同样是个 傻瓜 ，因为算法会卡在最长的最小值 上。
如果一个人决定将梯度下降法与遗传学 等进行比较，那么他继续下去就是 傻瓜 吗？
这是对基本事物的误解。
我的攻击是，你不能在平等的基础上比较不同的 AO，并决定哪一个是好的，哪一个是坏的。
每个 AO 都有自己的优化面。
选择哪种 AO 取决于优化面，而不是主观同情
我用三种完全不同的测试函数对算法进行了比较，这样你就可以在不同的测试中看到每种算法的具体优势，从而了解它们的强项所在，进而根据研究人员的具体任务选择最佳算法。
大多数专门针对网络的算法在其逻辑中都有某种形式的平滑或矩阵。它们以目标问题函数的平滑导数应用为导向。
我用三种完全不同的测试功能对算法进行了比较，因此您可以在不同的测试中看到每种算法的具体优势，从而了解它们的强项所在，进而为研究人员的具体任务选择最佳算法。
大多数专门针对网络的算法在其逻辑中都有某种形式的平滑或矩阵。它们以目标问题函数的平滑导数应用为导向。
不能在相同条件下比较不同类型的 AO，因为它们解决的问题各不相同，这就是我想说的
你不能在相同条件下比较不同类型的 AO，因为它们要执行的任务不同，这就是我的意思。
我想我没有理解我上次说的话....再说一遍，比较是可能的，这就是为什么要使用不同的测试问题，以便根据任务的具体情况对算法进行充分比较。
例如：如果 ADAM 在平滑函数上显示出优势--很好！- 那么就应该这样使用，否则最好选择其他算法。但如果 ADAM 在所有测试中都表现糟糕，那么我们就应该选择更好的算法，仅此而已。如今，大多数人只是根据 "时尚 "来选择特定的算法，却不知道自己是否做出了最佳选择。
完美的等级标记，因此是完美的平衡。油是油性的。不可能有任何改进。
我的直觉告诉我，MO 很快就会成为交易中的常用手段。
这并不是说它是盈利的保证，但不使用它将被视为失败的保证）。
San Sanych 说得没错，由于市场的非稳态性，历史上的优化结果 存在适用性问题。问题是，我们只有这种优化方法。例如，他自己的特征选择方法也是对历史的优化，尽管更加棘手）。
再比如某种交叉验证--这也是对历史的优化。