交易中的机器学习：理论、模型、实践和算法交易 - 页 2887

新评论
 
Valeriy Yastremskiy #:

可以是绝对价格的相对变化，也可以是绝对价格的对数变化)))))

没有任何区别，通过转换，元素的排序顺序不会改变，也就是说，树中的分叉位置不会改变。如果使用神经网络，应该是一样的，但我不确定.....。

PS.不会的。首先，所有数据都是在 0...1 的范围内缩放的。其次，如果对任何序列进行对数化，顺序不会改变，但权重和偏移量会在这里使用。对具有相同权重和偏移量的序列进行对数化后，其效果会有所不同（可能是数量级的不同）。但这与其说是优点，不如说是神经网络的缺点。
 
Uladzimir Izerski #:

每个条形图都有内部结构。如果结构重合，则可能是某种情况。

一根棒材可以被视为一个复杂的结构。

示例显示了 1 小时内的 5 分钟柱状图。虽然时间点不是在一小时的开始，但我认为这一点很清楚，即观察光秃秃的小时柱形图和结构柱形图是有区别的。

正如我在上面写的那样，市场上没有固定数量的工作形态（至少我还没有找到）。

使用具有动态大小的形态是一项挑战（我指的是在 MO 框架内），有一些方法可以实现这些目的，至少可以进行相同的波浪分析，但这样就完全不需要 MO 了。

 
Valeriy Yastremskiy #:

我不明白窗口中的增量和绝对价差有什么区别。此外，您不仅可以根据增量进行训练，还可以根据绝对价格的相对变化或绝对价格的对数变化进行训练)))))。

返回值是 x[i] - x[i-1] 的差值。

有时您需要 x[i ] - x[i-1044]

 
我想在历史数据上运行几个策略。请推荐现成的建模解决方案！
 
mytarmailS #:
1）为了交易某物，必须首先对其进行适当的分析，增量不适合分析，因为失去了对过去价格的了解。

2）什么是分析？ 根据维基百科，分析是将一个整体分割成若干部分进行研究。 是什么阻碍了我直观地进行分析？

3) 例如，如果一个有效的市场形态是假双顶突破。
我们有一连串复杂的事件，而且在时间上没有统计性，那么与 SB 比较有什么用呢？ 我们能得到适当的输出吗？

4) 我的意思是，在分析市场时，应始终牢记市场是由不同事件、参与者和行动组成的，这就是为什么市场不会重复，因为有太多的组合....。
我还想说的是，在分析市场时，有必要将其分解为参与者、他们的行动或与他们相关的其他东西，然后对其进行分析，顺便说一下，这将与 "分析 "一词的概念相对应。

5) 我没有这方面的能力

1) 目标变量几乎总是增量或与之相关的 变量。将增量纳入特征是另一回事。但很多时候，简单的转换就能让我们看到特征与增量之间的关系。例如，平均值之差可以写成增量的线性组合等。

2) 就我个人而言，"表象 "妨碍了我。你很难不去看你真正想看的东西。我更愿意用某种方法来衡量水平的重要性--比如说，水平的回归。

3) SB 非常擅长绘制双顶。重要的是要检查这种特殊形态是否与 SB 有任何不同。

4) 我们已经从参与者名单中挑出了国家。它对市场影响的可能性清单有好几页，你怎么能从这个清单中找出它何时适用、适用什么呢？嗯，是的，有基本面分析，但它也不是万能的，而且很难做到。

 

理想情况下，根据 Tsos，您应该获取刻度，对其进行过滤并降低采样率，否则会出现混叠 现象。

但外汇不是 Tsos，是另一种物理学，对吗？

 
Игорь Егоров #:
我想在历史数据上运行一些策略。请推荐现成的建模解决方案！

如果您想自己完成所有工作，我们的 CodeBase 部分有许多专家顾问和指标的现成示例。您可以将它们作为研究的基础。在这种情况下，您可以使用 MT4/MT5 工具测试策略。MT5 还集成了 python 编程语言。您可以非常方便地上传所需的历史数据并使用它。以下是上传功能的示例






import  MetaTrader5 as  mt5

mt5.initialize(timeout=10000)
print(mt5.terminal_info())
print(mt5.version())


def get_data(symbol,  time_start,  time_stop,  count=0):
    name_stocs = ['time', 'open', 'close', 'tick_volume', 'spread', 'low', 'high']
    tf = mt5.TIMEFRAME_H1

    if  count == 0:
        dataset = pd.DataFrame(
            mt5.copy_rates_range(symbol,  tf,  time_start,  time_stop),
            columns=name_stocs).set_index('time')

        dataset.index = pd.to_datetime(dataset.index, unit='s')
        dataset = dataset.reset_index(drop=True)
    else:
        dataset = pd.DataFrame(
            mt5.copy_rates_from(symbol,  tf,  time_stop,  count),
            columns=name_stocs).set_index('time')

        dataset.index = pd.to_datetime(dataset.index, unit='s')

    dataset = dataset.reset_index(drop=True)

    return  dataset

要测试您的策略，您需要一个用 python 编写的测试器。我已经在这个主题中发布了我的测试器（您可以在我的个人资料中的所有帖子下搜索）。


如果您不想这么麻烦，我们有一个自由职业者版块，您可以在这里为您的策略制作一个交易机器人/指示器。

 
Andrey Dik #:

正如我在上面写的那样，市场上没有固定数量的交易模式（至少我还没有找到）。

使用具有动态大小的形态是一项挑战（我指的是在 MO 框架内），有一些方法可以实现这些目的，至少可以进行相同的波浪分析，但根本不需要 MO。

应该支持和应用 MO，但要在其他层面上理解应用的条件。

没有一个标准的 MO 模型能给出正面的现成结果。但有一些变通方法可以应用 MO。

 

模式识别，谁会去做这种麻烦事？

或者通过小波进行下采样。

 
Rorschach #:

模式识别，谁想做这种事？

或者通过下采样的小波。

模式识别或市场模型识别是第一块砖。

它可以用 MQL 工具完成，但使用 MO 时，这种方法将更加先进和进步。

附注

我们可以更大胆地展望未来。

1...288028812882288328842885288628872888288928902891289228932894...3399
新评论