В этой статье я расскажу, как с помощью "скрещивания" одной очень известной стратегии и нейронной сети можно успешно заниматься трейдингом. Речь пойдет о стратегии Томаса Демарка "Секвента" с применением системы искусственного интеллекта. Работать будем ТОЛЬКО по первой части стратегии, используя сигналы "Установка" и "Пересечение".
大家好!!!!最后,奇迹发生了,我的文章被发表了。
https://www.mql5.com/ru/articles/2773
大家好!!!!最后,奇迹发生了,我的文章被发表了。
https://www.mql5.com/ru/articles/2773
很好!)我们会在闲暇时阅读它。
大家好!!!!最后,奇迹发生了,我的文章被发表了。
https://www.mql5.com/ru/articles/2773
去看了文章,谢谢 )
你知道,历史不会重演。这就是为什么他们建议在随机的情况下尝试同样的方法--结果不会有太大差别(甚至可能比历史数据更好)。
我想指出,你和fxsaber 在一个分支上,你的声明被以高度专业的方式反驳。请看伯纳科夫在这个主题和他的博客中的材料
除此以外,还有一个根本问题,即从根本上将ME与TA在我们头脑中形成的模式区分开来。
机器学习必然由三个部分组成,它们构成一个连贯的整体。这些是。
其对最终结果影响最大的步骤是第一步--准备原始数据。
如果你坚持使用这三个步骤,并了解你在做什么,我个人已经设法将一些目标变量的预测误差降低到30%以下。我几乎马上就能把预测误差降低到40%以下。如果你得到随机的50%,这意味着你不了解MO中非常重要的东西。
我想指出,你和fxsaber 是在一个你的论断已经被专业地反驳的主题上。请看伯纳科夫在这个主题和他的博客中的材料
除此以外,还有一个根本问题,即从根本上将ME与TA在我们头脑中形成的模式区分开来。
机器学习必然由三个部分组成,它们构成一个连贯的整体。这些是。
其对最终结果影响最大的步骤是第一步--准备初始数据。
如果你坚持使用这三个步骤,并了解你在做什么,我个人已经设法将一些目标变量的预测误差降低到30%以下。我几乎马上就能把预测误差降低到40%以下。如果你得到一个随机的50%,这意味着你不了解MO中非常重要的东西。
我去潜心研究这篇文章了,谢谢你)
发自肺腑的兄弟们!你的意见对我来说非常重要。在这篇文章之后,会有一篇关于输入和输出变量的论文,当然也会有哲学,嗯,还有原始的时候很难选择....。
如果你坚持使用这三个步骤,并了解你在做什么,我个人已经能够将一些目标变量的 预测误差降低到30%以下。我几乎马上就能把预测误差降低到40%以下。如果你得到一个随机的50%,那么有一些非常重要的东西你不了解MO。
如果你说的是样本外 误差,在适当准备的数据上至少有10万个样本进行测试,那么结果是非常陡峭的,"只比鸡蛋凉",即使是HFT数据,在几分钟和更多的数据上也是梦幻般的,或微不足道的过拟合。在低频数据上,上帝禁止2-3%的人获得优势,numerai 也一样。
当它提前一秒钟预测价格方向时,这很酷,准确率 65-70%(对于RI)我知道这样的人,但他们的数据并不幼稚,而且他们的费用也相应地高。我有60-65%,但对我的数据来说,它也非常酷,我现在几乎不单独购买任何东西,我以前用plaza,但现在我用普通的快速和mt来获取外汇的数据。
一个有趣的话题。很多人都在胡说八道,但也有一些聪明的想法。谢谢你。
一个有趣的话题。很多人都在胡说八道,但也有一些聪明的想法。谢谢你。
)))最主要的是沟通和过程。似乎有些人已经在创建神经机器人。我想试试。
如果你说的是样本外 的误差,在适当准备的数据上至少有10万个样本进行测试,那么结果是非常陡峭的,"比鸡蛋还陡峭",即使是HFT数据,在几分钟或更长时间内,它是梦幻般的,或微不足道的过拟合。在低频数据上,上帝禁止2-3%的人获得优势,numerai 也一样。
当它提前一秒钟预测价格方向时,这很酷,准确率 65-70%(对于RI)我知道这样的人,但他们的数据并不幼稚,而且他们的费用也相应地高。我有60-65%,但对于我的数据来说,它非常酷,我现在几乎不单独购买任何东西,我曾经使用plaza,但现在我使用普通的quick和mt来获取我的外汇数据。
对我来说,预测误差不是主要问题。对我来说,主要问题是过度训练模型。要么我有多么薄弱的证据表明模型没有被重新训练,要么就是根本不需要这个模型。
我已经在这个主题(以及其他主题)上多次写过关于诊断过度训练和处理过度训练的工具。简而言之,它是在清除输入预测器的噪音,模型本身是次要的。
我对其他一切都不感兴趣,因为在不考虑过度训练的情况下,任何结果都只是一般般,现在,也许明天,明天之后就是对去势的消耗。