交易中的机器学习：理论、模型、实践和算法交易 - 页 2884

新评论
 
mytarmailS #:

例如，粗略地说，我们可以找到 100 多根蜡烛线之前的三根蜡烛线的独立形态，并立即将其与掐头去尾的倒数第二个价格进行比较。

换句话说，模型了解最后的价格是多少，也了解刚刚的价格是多少，无论何时....。

如果你有兴趣，我可以把代码、函数、搜索规则的方式和拟合函数发给你。


给我留言，我去看看。这可能会很有趣。

 
mytarmailS #:

两者兼而有之。

1) 规则可以查看最近 10 根蜡烛（硬索引[1 : 10])

2) 规则可以对所有数据进行搜索，而不考虑索引，这是一个循环[i]，而且这些规则不仅可以查看其索引，还可以查看[i+n ]。

1) 您所说的规则与通常所说的规则（在交易中）不一致，这让我感到不协调。通常在交易中，它们是交易规则--开仓、平仓或改变头寸的交易量/方向。问题是交易逻辑是如何从您的规则中建立起来的。

2) 无论第一点的答案如何，在形成交易逻辑规则时，初始规则集过大是有问题的。问题在于可能出现过度拟合。我已经在论坛的某个地方写过关于选择一周中 "好时机 "的例子，即使从 120 种变体中进行选择，也有可能总是 "看到 "交易机会，而这在现实中显然是不存在的。粗略地说，SB 的过度选择游戏是危险的。很明显，价格并不完全是 SB，但相似之处太多，不容忽视。

 
Vladimir Perervenko #:

给我留言，我去看看。这可能会很有趣。

我把它发到这里来，因为我不能用 PM...(我想我们应该是朋友）。

它只有两个主要功能

1) 创建语法

2) 如何计算数据帧中的规则。

基本上，你不需要其他任何东西...

然后，我们只需获取数据集，用函数 2) 检查每个数据帧。

得到结果，评估拟合函数...


如果有必要，我将尝试制作一个带有适配函数的完整示例，这已经是一个单独的代码了。

附加的文件：
fun.txt  4 kb
 
Aleksey Nikolayev #:

1) 您所说的规则与（交易中）通常所说的规则之间存在差异，这让我感到不协调。通常在交易中，它们是交易规则--开仓、平仓或改变头寸的交易量/方向。问题是如何从您的规则中建立交易逻辑。

2) 无论第一点的答案如何，在形成交易逻辑规则时，初始规则集过大是有问题的。问题在于可能会出现过度拟合。我已经在论坛的某个地方写过关于选择一周中 "好时机 "的例子，即使从 120 种变体中进行选择，也有可能总是 "看到 "交易机会，而这在现实中显然是不存在的。粗略地说，SB 的过度选择游戏是危险的。很明显，价格并不完全是 SB，但相似之处太多，不容忽视。

1) 规则是一种表达，是一种代码。

2) 那么 AMO 中的任何东西都不能应用，因为过度拟合？

 
mytarmailS #:

1) 规则是一种表达方式，是一种代码

将这些规则转换成交易逻辑规则的问题。根据我的猜测--在使用关联规则时，提示是如何建立的："用你的货物换取这样那样的其他货物"。在这种情况下，事物的排序就丢失了，这对篮子里的货物并不重要，但对图表上的事件却很重要。事件之间的概率-频率关系只是以最简单的形式反映出来。也许值得研究一下贝叶斯网络。

mytarmailS#:

2) 那么，因为过度拟合，AMO 根本无法应用？

我认为有两种方法可以解决这个问题（我自己更倾向于第二种方法）

1) 交叉验证和转发

2) 局限于由少量参数指定的经常出现的狭窄模式集。

 
Aleksey Nikolayev #:

1) 将这些规则转化为贸易逻辑规则的问题。

2) 根据我的猜测--在使用关联规则时如何建立提示："用你的货物换取这样那样的其他货物"。

3) 在这种情况下，事物的排序就会丢失，这对篮子里的货物并不重要，但对图表上的事件却很重要。

4) 那么，事件之间的概率-频率关系只能以最简单的形式反映出来。贝叶斯网络或许值得关注。

1) 那么，我们说的是哪种规则呢？联想规则是一种，我用语法建立的规则是另一种，你是说我无法理解你的想法？

在非社会规则中，没有关于 "表达 "的规则。有的只是商品标签。

在我的规则中--规则，而且有很多规则，它们必须按照设定的顺序工作，而且还有停止规则，这是一种更复杂的算法，在非常....。

2) 嗯，是的，这就是它的结构。

3) 嗯，这是一个主观判断，我不反驳也不反对。

例如，我试着训练 forrest 和 a priori（Ace. right），结果发现 Ace. right 的分类效果比 forrest 差了一半。您可以得出自己的结论。

另外，关于事件发生的顺序，也有考虑到顺序的王牌规则，我甚至曾经给过你这种算法，奇怪的是你忘记了....。

4) 我对 贝叶斯 网络 一无所知。

 

但是，像王牌规则这样的算法绝对应该尝试。

或者说，我们应该利用它们的概念，即输入数据可以是不同大小的，而且很久以前的数据会对当前数据产生很大影响。

就像在市场上，很久以前的价格会直接影响当前的价格....。


例如，今天的交易（我安全地把它搞砸了） ，入场点是 4 小时前的水平。

看到最后 10-20 根蜡烛图，如何至少在理论上识别这种情况？不可能...

如何通过将数据正常化来发现这种情况？不可能。

如果看收益率呢？ 甚至可以删除更多关于过去价格的信息，不可能，也永远不可能......

但顽固的奈普图斯尼基高喊回报率就够了，事实上这是一种痴呆症的诊断......好吧，不谈这个了....。


例如，规则可以用价格来代替标签，我们将得到一种在非结构化数据中搜索关联的算法，这很酷吧？

你可以做自己的事情。

 
mytarmailS #:

但像王牌算法这样的规则肯定要尝试应用。

更准确地说，有必要利用它们的概念，即输入数据可以是不同大小的，而且很久以前的数据会对当前数据产生很大影响。

就像在市场上，很久以前的价格会直接影响当前的价格....。


例如今天的交易（我安全地搞砸了） ，入场点是 4 小时前的价位。

看到最后 10-20 根蜡烛图，如何至少在理论上识别这种情况？您无法...

如何通过将数据正常化来发现这种情况？不可能。

如果你去看回返者的情况呢？ 甚至更多关于过去价格的信息，也不可能，也永远不可能......

但顽固的奈普图什尼克人却高喊：retournals就够了，事实上这是一种痴呆诊断......但我们还是不要谈论它了....。


因此，在王牌中，规则可以是标签，也可以是价格，我们可以得到一种在非结构化数据中搜索关联的算法，这已经很酷了吗？

你可以做自己的事情。

有趣的理论方法，但为什么不把下一个峰值作为订单来考虑 呢？这种行动模式不适合当前时刻。我曾试图寻找类比，但可惜没有一致性，而且我认为原则上不可能在每个类似的情况下都这样做。

类比的根基在于蜡烛图形态的多样性。也就是说，在任何时间变量中的 OHLC 变量。

f667

 
Uladzimir Izerski #:

有趣的理论方法，但我很清楚为什么不把下一个峰值作为一个命令 来考虑。这种行动模式不符合当前的形势。

您有一个市场模型，一个复杂/全局 的方法，试图解释整个市场。这很酷，但我还做不到。

我有一种情景/ 局部 方法，以一些局部模式、模板的形式出现，这并不好，但我还没有另一种方法......

为了让你明白，我甚至不看其他 TF，只看 100 万。

但还是可以交易的 ))



Uladzimir Izerski#：

类比将基于蜡烛图形态的多样性。即在任何时间变量中的 OHLC 变量。

我认为最好只取极值

 
mytarmailS #:

你有一个市场模型，一个全面/全球的 方法，试图解释整个市场。这很酷，我还做不到。

我有一种情景/ 局部 方法，以一些局部模式、模板的形式出现，这并不好，但我没有另一种方法，然而.....。

为了让你明白，我甚至不看其他 TF，只看 1m 的。

但还是可以交易的）。



我觉得还是走极端比较好。

您可以在任何 TF 上进行交易。任何 TF 上的市场形态都是一样的。

模板是一样的，模板的大小可能有所不同。

________

取极值是一个诱人的选择，但如何具体找到极值已经被一代又一代的交易者所争论）。这种情况也有变体。但同样，它们也不会是 100%_ 完美的。因为市场行为是非标准的。无论是 MO 还是巫医在这里都无济于事，只有当前的市场状态才能决定进一步的行为。

优素福在很多方面都是对的，我同意他的观点，但他缺乏深入了解金融市场的经验。

机器学习可以估计市场模式，甚至是一连串模式，但不能保证其未来行为。

极端是专业人士的事。那些阅读了这里的一切却保持沉默的人）。

1...287728782879288028812882288328842885288628872888288928902891...3399
新评论