交易中的机器学习：理论、模型、实践和算法交易 - 页 3084

新评论
 
Viktor Kudriavtsev #:

大家好。我正在尝试训练智能交易系统（Expert Advisors），该系统选自本网站上关于神经网络的一系列文章。给我的印象是它们无法训练。我试图在文章下向作者提问，但遗憾的是，他并没有切实回答我的问题......(

因此，我想问论坛成员一个问题--请告诉我需要训练多少神经网络才能让它开始给出一些（不是随机的）结果？

我尝试了从第 27 条到最后一条的所有 EA，结果都一样--随机。我按照作者的指示，从 300 个历元训练到 1000 个历元。如果智能交易系统只是迭代，我从 100 000 次迭代到 20 000 000 次迭代，如此反复 2-3 次，结果仍然是随机的。

应该训练多少次？足够的训练样本（如果是预先创建的）的大小是多少？

PS：关于神经网络的简单信息在谷歌阅读，一般对神经网络都比较熟悉。所有人都写了大约 100-200 个历时，应该已经有结果了（图片、数字、分类）。

你没有训练样本的结果吗？

这些文章的循环并不是开箱即用的现成解决方案--没有人会揭示机器学习中最有价值的东西--预测器。因此，在尝试这些文章中提出的方法之前，您需要开发一套能够描述价格行为的预测器。

[删除]  
Viktor Kudriavtsev #:

大家好。我正在尝试训练智能交易系统（Expert Advisors），该系统选自本网站上关于神经网络的一系列文章。给我的印象是它们无法训练。我试图在文章下向作者提问，但遗憾的是，他并没有切实回答我的问题......(

因此，我想问论坛成员一个问题--请告诉我需要训练多少神经网络才能让它开始给出一些（不是随机的）结果？

我尝试了从第 27 条到最后一条的所有 EA，结果都一样--随机。我按照作者的指示，从 300 个历元训练到 1000 个历元。如果智能交易系统只是迭代，我从 100 000 次迭代到 20 000 000 次迭代，如此反复 2-3 次，结果仍然是随机的。

应该训练多少次？足够的训练样本（如果是预先创建的）的大小是多少？

PS：关于神经网络的简单信息在谷歌阅读，一般对神经网络都比较熟悉。所有人都写了大约 100-200 个历时，应该已经有结果了（图片、数字、分类）。

哪里写着它们不应该给出随机结果？大量相同的文章已经表明方向是错误的。

强化学习不是为这类任务设计的，应用领域完全不同。你可以玩玩它。
[删除]  
Lilita Bogachkova #:

是的、

但大量数值相同的数据让我对数据的整体质量产生了怀疑。
示例：seq = ([5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5]) = [5,5,5,5,5,5,5,5,5,5][5]; [5,5,5,5,5,5,5,5,5,5][5]; [5,5,5,5,5,5,5,5,5][5] .........
我看不出给模型提供这样的训练数据有什么意义；

所以我仍然在筛选所有不唯一的数据。

可能是我错了，但我觉得给模型提供以下训练数据似乎是不对的：

[1,2,3,4,5] [5];

[1,2,3,4,5] [6];

[1,2,3,4,5] [7];

[1,2,3,4,5] [8];

...

一派胡言

 
Aleksey Vyazmikin #:

训练样本也没有结果？

这一系列文章并不是开箱即用的现成解决方案--没有人会揭示机器学习中最有价值的东西--预测因子。因此，在尝试其中提出的方法之前，您需要开发一套能够描述价格行为的预测器。

是的，在训练样本上也不起作用。它在任何地方都不起作用。在这种情况下，什么是预测因子呢？作者描述了以蜡烛图、时间和 4 个指标的形式从图表中获取参数。神经网络模型也在其中。
 
Maxim Dmitrievsky #:

哪里写着他们不应该给出随机结果？大量相同的文章已经表明方向是错误的。

强化学习并不是为此类任务设计的，其应用领域与此截然不同。你可以玩玩它。
作者在每篇文章末尾都给出了策略测试器的图表和统计数据。如果统计数据是虚构的，那么....。
 
Viktor Kudriavtsev #:
在培训样本上也不起作用。在任何地方都不行。在这种情况下，什么是预测因子呢？作者描述了从图表中获取参数的形式，包括烛台、时间和 4 个指标。神经网络模型也在其中。

如果它在训练样本上不起作用，那么问题可能就出在你身上。神经网络的训练需要很长时间，这与树状模型不同。

预测因子可以是任何东西，任何影响价格的因素，只要有一个稳定的概率结果，是的，作为一种选择--指标。

作者在代码中出现了一些错误（对非英特尔显卡至关重要）--应人们的要求提供了几个版本的规则。
 
Aleksey Vyazmikin #:

如果它在训练样本上也不起作用，那么很可能是你这边出了问题。神经网络的训练需要很长时间，这与树状模型不同。

预测因子可以是任何东西，任何影响价格的因素，只要有一个稳定的概率结果，是的，作为一个选项--指标。

作者在代码中出现了一些错误（对非英特尔显卡至关重要）--应人们的要求，规则出现了几个版本。

好吧，我有最新的文章（从 GoExplore 开始），从 27 到 35 似乎可以正常编译和运行。但 36-38 版却无法正常运行。我有一张来自 Nvidia GTX 660 ti 的显卡。

我这边有什么问题吗？我的Sovtnik编译、运行、学习过程（图表上的错误和进度）都在继续。这得欠多少债啊？文章的作者也写了很多，有必要重复迭代收集示例和训练，但他没有一处写出任何至少是近似的数字。例如，我训练了 500 个历元，第一笔交易开始是负数。那么至少要有一些具体的数字。否则，要么是我教了很多，结果出了问题；要么是我教得还不够，现在指望什么还为时过早。

[删除]  
Viktor Kudriavtsev #:
作者在每篇文章的末尾都提供了一张图表和来自策略测试仪的统计数据。好吧，如果统计数据是虚构的，那么是....。
短时间内的测试非常有限，不可能从中得出明确的结论。如果在训练中也不奏效，那就说明他们闯了大祸：)这种方法本身就不合适，因为这种训练过程很难控制。如果你找到了合适的控制功能（奖励），你就不再需要它了。
我试过不同的方法，都无法得到稳定的结果。

而且它在计算上比遗传优化更复杂，但在效率上并没有更好。迭代一次就能得到相似的结果。没有交易领域的专业知识，就不会有好结果。
 
Maxim Dmitrievsky #:
短时间内的测试非常有限，你无法从中得出明确的结论。如果在培训计划中也不起作用，那就说明他们犯了很多错误:)这种方法本身是不合适的，因为这种培训的过程很难控制。如果你找到了合适的控制功能（奖励），你就不再需要它了。 。
我试过不同的方法，但效果都不稳定。

而且它在计算上比遗传优化更复杂，但在效率上并没有更好。只需迭代一次，就能得到相似的结果。没有交易领域的专业知识，就不会有好结果。
我试着用遗传和进化方法训练这一系列中的智能交易系统（第 30 和 31 条）。作者在参数中设置了 1000 个纪元。根据我的理解，每个纪元的种群数量为 50 个。最佳结果显示在训练时的日志中。因此，在 200 个历元中，最佳结果与初始结果相比没有变化。我还使用 100 个个体的种群，训练了大约 150 个历元。效果是一样的。因此我放弃了这种方法，转而使用更新的方法。
 
Viktor Kudriavtsev #:
我曾尝试用遗传和进化的方法（第 30 和 31 条）来训练这个周期的 EA。作者在参数中设置了 1000 个历元。根据我的理解，每个历元的种群数量为 50 个。最佳结果显示在训练时的日志中。因此，在 200 个 epoch 中，最佳结果与初始结果相比没有变化。我还使用 100 个个体的种群，训练了大约 150 个历元。效果是一样的。所以我放弃了这种方法，转而使用更新的方法。

把时间浪费在任何新奇的模型上都是浪费时间，尤其是复杂的模型。

射频理想是一个简单明了的模型。如果您打算通过模型组合（可减少约 5%的误差）来获得最终结果，您可以从久经考验的旧模型中再选取几个或三个模型。

我持怀疑态度的原因很简单：我们的主要敌人并不是金融市场的静态性，也就是说，极限定理和基于极限定理的所有统计数据--不同的相关性、分散性等--都不起作用。对了，还有 RMSE 等估计值。


这就是为什么必须从预处理（数据挖掘）开始。如果不能获得一组与目标（教师）有足够稳定联系的预测因子，那么一切都无从谈起。正是这种联系的质量决定了预测误差及其在不同引文中的稳定性。模型与此无关。如果在 RF 上，"样本内 "和 "样本外 "的预测误差大致相同，都小于 20%，那么您可以尝试使用同一组预测因子，并通过更先进的模型、模型组合......来降低预测误差，但误差只有百分之几，因此，除了 RF 之外，在其他方面花费时间是毫无意义的。

还有一个条件：从数学上证明预测者与目标之间联系的稳定性，即预测者与目标之间联系的静止性，同时获得预测者与目标之间联系的方差，并至少证明其在 GARCH 意义上的近似稳定性。

而不同的 "纪元 "和数百年的检验--什么都没有，你如此大惊小怪，看似进入主题，实则原地踏步。

1...307730783079308030813082308330843085308630873088308930903091...3399
新评论