交易中的机器学习：理论、模型、实践和算法交易 - 页 3038 1...303130323033303430353036303730383039304030413042304330443045...3399 新评论 Aleksey Vyazmikin 2023.04.16 22:25 #30371 Maxim Dmitrievsky #:我也不太喜欢，但阿列克谢说它很有效。问题是，他为什么不用它呢？ 结果是选择了规则，但我们应该明白，其中有些规则每年都不稳定地起作用，有些规则根本就不再起作用，而另一部分规则则继续稳定地起作用。 当然，我们感兴趣的是那些持续有效的规则--它们与其他规则的不同之处在于，其中的奥秘会显著改善任何 TS。 这正是我试图通过为它们选择数量有限的部分预测因子来增加好规则的潜在数量。为此，我们需要确定每个预测器的 "稳定 "性能区域，并将其用于创建规则。这就是我目前感兴趣的任务。 我还没有尝试过其他目标，因为我正在寻找一种比挖掘这些规则成本更低的方法。 我的理解是否正确，您决定不通过合作来比较这两种方法？ [删除] 2023.04.16 22:31 #30372 Aleksey Vyazmikin #:结果是选择规则，但我们必须认识到，其中一些规则每年都不稳定地发挥作用，一些规则根本就停止发挥作用，而另一部分规则则继续稳定地发挥作用。当然，我们感兴趣的是那些持续有效的规则--它们与其他规则的不同之处在于，它们能显著改善任何 TS。这正是我试图通过为它们选择数量有限的部分预测因子来增加好规则的潜在数量。为此，我们需要确定每个预测器的 "稳定 "性能区域，并将其用于创建规则。这就是我目前感兴趣的任务。我还没有尝试过其他目标，因为我正在寻找一种比挖掘这些规则成本更低的方法。我的理解是否正确，您决定不通过合作来比较这两种方法？ 我想暂时用自动方法。 mytarmailS 2023.04.16 22:49 #30373 Aleksey Vyazmikin #:原来是选择规则，但我们必须认识到，其中有些 规则每年都不稳定地发挥作用， 有些 规则 根本就不再发挥作用，而 另一部分规则则继续 稳定地发挥作用。 事实上，如果我们随机抽取 1000 个 TC，结果是完全一样的。 此外，如果我们再做一个测试 样本，即第四种类型--培训-测试-验证-测试2。 那么我们就会发现 "另一部分继续稳定工作"。 完全一样是行不通的） 这一切都是随机的，找到的模式其实也是随机的。 Aleksey Vyazmikin 2023.04.16 23:09 #30374 mytarmailS #:事实上，如果随机抽取 1000 个 TC，得到的结果是完全一样的。此外，如果我们再做一个测试 样本，那就是第四种类型--训练-测试-验证-测试2。你会发现，"另一部分继续稳定地工作"。将不会以同样的方式工作 ))这一切都是随机的，你发现的模式实际上也是随机的。 我已经训练了 10000 个模型，我知道情况并非如此--它们中的大多数在新数据上停止工作。 还有那片叶子--是的，你显然没有仔细阅读--我写道，我训练了从 2014 年到 2019 年（几个月）的数据，包括验证，并展示了它们在 2021 年的工作情况--即这里是一个诚实的测试，没有展望未来--利润为 50%。 也许一切都是随机的，但每一种随机都有其周期性，根据这种周期性，它恰好不是随机的：) mytarmailS 2023.04.16 23:23 #30375 Aleksey Vyazmikin #:我已经训练了 10000 个模型，我知道情况并非如此--大多数模型在新数据面前都会停止工作。而叶子--是的，你显然没有仔细阅读--我写道，我训练了从2014年到2019年（几个月）的数据，包括验证，并展示了它们在2021年的工作情况--即这里是一个诚实的测试，没有展望未来--利润为50%。也许一切都是随机的，但每一种随机都有其周期性，根据这种周期性，它就不是随机的：) 非周期性的周期性...你又回到了随机。 Andrey Dik 2023.04.17 08:56 #30376 Maxim Dmitrievsky #: 比如说，如果你通过 FF 得到一个稳态，它就能描述一个稳态 TC 的特征？每个人都意识到这是 kurwafitting 只有这样，才能通过蛮力偶然得到稳定的 FS。 FF 必须描述稳定 TC 的规则。如果 TC 不稳定，那么 FF 中的规则就是错误的。 问题是，目前还没有人成功地为 FF 找到这样的规则（至少我还没有看到过）。有两种方法：一是简化 TS，使其自由度尽可能小，这意味着它更有可能是稳定的排水或稳定的浇注；二是找到 FF 的规则，这是一种更复杂的方法。 总的来说，圣杯建造者没有一套通用的操作方法。还有第三种方法--创建一个像 ChatGPT 一样灵活的自学人工智能，但即使在这里，也有用于训练的 FF。我想说的是，FF 总是以这样或那样的形式存在，没有办法摆脱它。 问题不在于构建稳定的 TS，而在于 FF 中的描述性特征。 Mikhail Mishanin 2023.04.17 09:04 #30377 Andrey Dik #:FF 应描述稳定 TC 的规则。如果 TC 结果不稳定，那么 FF 中的规则就是错误的。 问题是，没有人设法为 FF 找到这样的规则（至少我没有见过）。有两种方法：一是简化 TS，使其自由度尽可能小，这意味着它更有可能是稳定的排水或稳定的浇注；二是找到 FF 的规则，这是一种更复杂的方法。 总的来说，圣杯建造者没有一套通用的操作方法。还有第三种方法--创建一个像 ChatGPT 一样灵活的自学人工智能，但即使在这种情况下，也会在训练中使用 FF。我想说的是，FF 总是以这样或那样的形式存在，没有办法摆脱它。问题不在于构建稳定的 TS，而在于 FF 中的描述性特征。 非常正确、有说服力的推理，当然也有矛盾之处--"......不在于构建可持续的 TS"，而在于构建/选择/进化可持续盈利 TS 的技术，我们正在为此而努力。 СанСаныч Фоменко 2023.04.17 09:31 #30378 Andrey Dik #:FF 应描述稳定 TC 的规则。如果 TC 结果不稳定， 那么 FF 中的规则就是错误的 。 根据定义，FF 不能解决任何问题。要么有那么多需要改进的地方，要么就没有。你无法改进垃圾，无论你如何挖掘垃圾，垃圾仍然是垃圾。 因此，对目标和预测因素之间关系的初步 考虑是初步的 。此外，还需要对这种关系进行定量评估，而且不仅仅是对关系的评估，还要对预测因素预测 目标变量（教师）未来值的能力 进行定量评估。在这一推理链中，没有 FF 的位置，因此人们可以直截了当地采取/挑选一种 MO 算法（有数百种算法），并将其作为黑盒使用，而不必试图 "改进 "具体算法中的任何内容。 此外，FF 类是一种充满争议的东西--过度适应历史的味道太浓了。 СанСаныч Фоменко 2023.04.17 09:41 #30379 Forester #:没错，没有。我不明白你为什么一直把 20% 作为一项成就来吹捧...... 20%、8%、50% 都没有任何意义。数字毫无意义。 平衡很有意思。没有图表？ 你有一栏叫分类错误，现在分类已经无关紧要了。 不可能理解我希望我能理解。 也许你能更清楚地说明你的结果？ mytarmailS 2023.04.17 09:54 #30380 疯了，疯了，疯了，疯了，疯了。什么时候是个头？ 1...303130323033303430353036303730383039304030413042304330443045...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
我也不太喜欢，但阿列克谢说它很有效。
问题是，他为什么不用它呢？
结果是选择了规则，但我们应该明白，其中有些规则每年都不稳定地起作用，有些规则根本就不再起作用，而另一部分规则则继续稳定地起作用。
当然，我们感兴趣的是那些持续有效的规则--它们与其他规则的不同之处在于，其中的奥秘会显著改善任何 TS。
这正是我试图通过为它们选择数量有限的部分预测因子来增加好规则的潜在数量。为此，我们需要确定每个预测器的 "稳定 "性能区域，并将其用于创建规则。这就是我目前感兴趣的任务。
我还没有尝试过其他目标，因为我正在寻找一种比挖掘这些规则成本更低的方法。
我的理解是否正确，您决定不通过合作来比较这两种方法？
结果是选择规则，但我们必须认识到，其中一些规则每年都不稳定地发挥作用，一些规则根本就停止发挥作用，而另一部分规则则继续稳定地发挥作用。
当然，我们感兴趣的是那些持续有效的规则--它们与其他规则的不同之处在于，它们能显著改善任何 TS。
这正是我试图通过为它们选择数量有限的部分预测因子来增加好规则的潜在数量。为此，我们需要确定每个预测器的 "稳定 "性能区域，并将其用于创建规则。这就是我目前感兴趣的任务。
我还没有尝试过其他目标，因为我正在寻找一种比挖掘这些规则成本更低的方法。
我的理解是否正确，您决定不通过合作来比较这两种方法？
我想暂时用自动方法。
原来是选择规则，但我们必须认识到，其中有些 规则每年都不稳定地发挥作用， 有些 规则 根本就不再发挥作用，而 另一部分规则则继续 稳定地发挥作用。
事实上，如果我们随机抽取 1000 个 TC，结果是完全一样的。
此外，如果我们再做一个测试 样本，即第四种类型--培训-测试-验证-测试2。
那么我们就会发现 "另一部分继续稳定工作"。
完全一样是行不通的）
这一切都是随机的，找到的模式其实也是随机的。
事实上，如果随机抽取 1000 个 TC，得到的结果是完全一样的。
此外，如果我们再做一个测试 样本，那就是第四种类型--训练-测试-验证-测试2。
你会发现，"另一部分继续稳定地工作"。
将不会以同样的方式工作 ))
这一切都是随机的，你发现的模式实际上也是随机的。
我已经训练了 10000 个模型，我知道情况并非如此--它们中的大多数在新数据上停止工作。
还有那片叶子--是的，你显然没有仔细阅读--我写道，我训练了从 2014 年到 2019 年（几个月）的数据，包括验证，并展示了它们在 2021 年的工作情况--即这里是一个诚实的测试，没有展望未来--利润为 50%。
也许一切都是随机的，但每一种随机都有其周期性，根据这种周期性，它恰好不是随机的：)
我已经训练了 10000 个模型，我知道情况并非如此--大多数模型在新数据面前都会停止工作。
而叶子--是的，你显然没有仔细阅读--我写道，我训练了从2014年到2019年（几个月）的数据，包括验证，并展示了它们在2021年的工作情况--即这里是一个诚实的测试，没有展望未来--利润为50%。
也许一切都是随机的，但每一种随机都有其周期性，根据这种周期性，它就不是随机的：)
比如说，如果你通过 FF 得到一个稳态，它就能描述一个稳态 TC 的特征？每个人都意识到这是 kurwafitting
FF 必须描述稳定 TC 的规则。如果 TC 不稳定，那么 FF 中的规则就是错误的。
问题是，目前还没有人成功地为 FF 找到这样的规则（至少我还没有看到过）。有两种方法：一是简化 TS，使其自由度尽可能小，这意味着它更有可能是稳定的排水或稳定的浇注；二是找到 FF 的规则，这是一种更复杂的方法。
总的来说，圣杯建造者没有一套通用的操作方法。还有第三种方法--创建一个像 ChatGPT 一样灵活的自学人工智能，但即使在这里，也有用于训练的 FF。我想说的是，FF 总是以这样或那样的形式存在，没有办法摆脱它。
问题不在于构建稳定的 TS，而在于 FF 中的描述性特征。
FF 应描述稳定 TC 的规则。如果 TC 结果不稳定，那么 FF 中的规则就是错误的。
问题是，没有人设法为 FF 找到这样的规则（至少我没有见过）。有两种方法：一是简化 TS，使其自由度尽可能小，这意味着它更有可能是稳定的排水或稳定的浇注；二是找到 FF 的规则，这是一种更复杂的方法。
总的来说，圣杯建造者没有一套通用的操作方法。还有第三种方法--创建一个像 ChatGPT 一样灵活的自学人工智能，但即使在这种情况下，也会在训练中使用 FF。我想说的是，FF 总是以这样或那样的形式存在，没有办法摆脱它。
问题不在于构建稳定的 TS，而在于 FF 中的描述性特征。
非常正确、有说服力的推理，当然也有矛盾之处--"......不在于构建可持续的 TS"，而在于构建/选择/进化可持续盈利 TS 的技术，我们正在为此而努力。
FF 应描述稳定 TC 的规则。如果 TC 结果不稳定， 那么 FF 中的规则就是错误的 。
根据定义，FF 不能解决任何问题。要么有那么多需要改进的地方，要么就没有。你无法改进垃圾，无论你如何挖掘垃圾，垃圾仍然是垃圾。
因此，对目标和预测因素之间关系的初步 考虑是初步的 。此外，还需要对这种关系进行定量评估，而且不仅仅是对关系的评估，还要对预测因素预测 目标变量（教师）未来值的能力 进行定量评估。在这一推理链中，没有 FF 的位置，因此人们可以直截了当地采取/挑选一种 MO 算法（有数百种算法），并将其作为黑盒使用，而不必试图 "改进 "具体算法中的任何内容。
此外，FF 类是一种充满争议的东西--过度适应历史的味道太浓了。
没错，没有。我不明白你为什么一直把 20% 作为一项成就来吹捧......
20%、8%、50% 都没有任何意义。数字毫无意义。
平衡很有意思。没有图表？
你有一栏叫分类错误，现在分类已经无关紧要了。
不可能理解我希望我能理解。
也许你能更清楚地说明你的结果？