交易中的机器学习：理论、模型、实践和算法交易 - 页 3090 1...308330843085308630873088308930903091309230933094309530963097...3399 新评论 Viktor Kudriavtsev 2023.06.03 05:57 #30891 您能告诉我，如果我在 Linux 下安装 mt5，OpenAL 可以工作吗？有人试过吗？ Forester 2023.06.03 08:59 #30892 mytarmailS #: 我自己还没有研究过，只是偶然发现的，我没有足够的时间去做所有灾难性的事情 https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2326253 上有长达 30 页的方法介绍。我已经开始阅读了。显然，该方法基于交叉验证，但有自己的特点--组合对称。 The Probability of Backtest Overfitting papers.ssrn.com Most firms and portfolio managers rely on backtests (or historical simulations of performance) to select investment strategies and allocate them capital. Standa СанСаныч Фоменко 2023.06.03 09:34 #30893 Andrey Dik #:没有人在攻击 R。 Sanych 说我和其他不把额头撞向 R 神坛的人是集体农民。 我为 "kolkhoz "道歉，可能不太准确。 我将再次尝试以 "村里第一个人 "的原则来解释专业开发与乡村开发之间的区别。 R 不仅仅是一种编程语言，还是一种用于开发狭义专业任务（统计，包括 MO 和其他）的媒介。 R 软件包是语言的一部分。让我们看看语言发布包--那里已经有几个基本包。 R 中的软件包集超过 10 000 个，包含 100 000 多个函数，是一个功能齐全的软件包集，用于解决 MO 等问题。 让我以 MO 为例来解释一下。 该网站主要讨论分类算法的不同变体，尤其是 NS 的变体。Python 的元引文尤其能说明问题。 从 MO 的角度来看，分类算法本身就是问题的一部分，占 30%。试着在一个叫 Python 的村子里找到另外的 70%。而且，几乎不可能找到分类模型的其他变体，它们多达 200 (1)种。 R 有一个很好的参考工具，可以让你找到缺失的东西。 如果您不知道该查找什么，那么在第一阶段，您可以使用 Rattle 来查看MO 的一套工具：原始数据分析、转换、选择预测因子、准备测试文件、按模型或模型计算、用适当的图形表示评估结果。这是基本层面。 如果您已经掌握了 Rattle，可以使用 Caret 外壳，它涵盖了最高级别的 MO 问题。Caret 提供多达 200 个（！）数据包，可提供交易信号。您可以对这些数据包进行比较、选择，并制作模型组合。Caret 拥有 Rattle 的所有功能，但更专业。 对于 Caret 的所有功能，R 都有类似的功能和大量其他辅助工具。所有这些只代表一个目的。 所有这一切都被称作统计工作的专业环境，尤其是 IO。 Maxim Dmitrievsky 2023.06.03 09:39 #30894 😂😂😂😂 Forester 2023.06.03 09:41 #30895 Prado 等人给 Maxim 的回复，他倾向于在早期站点提取 OOS： 第 7 页。 第四，即使研究者使用的样本量很大， OOS 分析也必须覆盖样本的很大一部分才能得出结论， 这不利于策略的制定（见 Hawkins [15]）。如果 OOS 取自时间序列的末尾，我们就会失去最近的 观测结果，而这些观测结果往往最能代表未来。如果 OOS 取自时间序列的开头，则测试是在 上进行的，这可能是数据中最没有代表性的部分。 mytarmailS 2023.06.03 09:48 #30896 Forester #: 这里有长达 30 页的方法介绍https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2326253。开始阅读。显然，该方法基于交叉验证，但有其自身的特殊性--组合对称性。 我不想再读了，我已经精疲力尽了。 但我可以写一个自动合成的策略，并对非训练标准进行检查...... 换句话说 我可以创造出最大化不训练标准的策略 我可以根据这一标准合成策略，然后在新数据上对其进行测试，看看它们是否糟糕或值得关注....。 测试了 -> 得到了结果-> 扔掉了/学会了。 但是，像 "休闲小丑 "一样带着一个想法奔波多年，什么也不做，就把它扔给所有人，那是死路一条。 不学习的标准是什么？ Forester 2023.06.03 09:48 #30897 Forester #: Prado 等人给 Maxim 的回复，他倾向于在早期站点提取 OOS： 第 7 页。 第四，即使研究者使用的样本量很大， OOS 分析也必须覆盖样本的很大一部分才能得出结论， 这不利于策略的制定（见 Hawkins [15]）。如果 OOS 取自时间序列的末尾，我们就会失去最近的 观测结果，而这些观测结果往往最能代表未来。如果 OOS 取自时间序列的开头，那么测试就会在 上进行，而这可能是数据中最没有代表性的部分。 我想这就是他们使用交叉验证的原因，这样所有部分的数据在 OOS 中都是一次一个。 Forester 2023.06.03 09:51 #30898 mytarmailS #:未经训练的标准是什么？ 目前在第 8 页。而这还只是介绍）））） 看来是在交叉验证的基础上用夏普（Sharpe）进行比较（但他们写道，您可以使用任何其他指标）。 Maxim Dmitrievsky 2023.06.03 09:56 #30899 哇，他们要去普拉多了。 他的技巧对我都没用）。 Forester 2023.06.03 09:59 #30900 Maxim Dmitrievsky #:哇，他们要去普拉多了。他的技巧对我都没用）。 我有一个对交叉验证起作用的 Embargo 图。它是有害的，应始终将其删除。 也许还有别的......我记不清楚了。 但这不是他的发明。也许他只是复述了一个有用的想法 1...308330843085308630873088308930903091309230933094309530963097...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
我自己还没有研究过，只是偶然发现的，我没有足够的时间去做所有灾难性的事情
我为 "kolkhoz "道歉，可能不太准确。
我将再次尝试以 "村里第一个人 "的原则来解释专业开发与乡村开发之间的区别。
R 不仅仅是一种编程语言，还是一种用于开发狭义专业任务（统计，包括 MO 和其他）的媒介。
R 软件包是语言的一部分。让我们看看语言发布包--那里已经有几个基本包。
R 中的软件包集超过 10 000 个，包含 100 000 多个函数，是一个功能齐全的软件包集，用于解决 MO 等问题。
让我以 MO 为例来解释一下。
该网站主要讨论分类算法的不同变体，尤其是 NS 的变体。Python 的元引文尤其能说明问题。
从 MO 的角度来看，分类算法本身就是问题的一部分，占 30%。试着在一个叫 Python 的村子里找到另外的 70%。而且，几乎不可能找到分类模型的其他变体，它们多达 200 (1)种。
R 有一个很好的参考工具，可以让你找到缺失的东西。
如果您不知道该查找什么，那么在第一阶段，您可以使用 Rattle 来查看MO 的一套工具：原始数据分析、转换、选择预测因子、准备测试文件、按模型或模型计算、用适当的图形表示评估结果。这是基本层面。
如果您已经掌握了 Rattle，可以使用 Caret 外壳，它涵盖了最高级别的 MO 问题。Caret 提供多达 200 个（！）数据包，可提供交易信号。您可以对这些数据包进行比较、选择，并制作模型组合。Caret 拥有 Rattle 的所有功能，但更专业。
对于 Caret 的所有功能，R 都有类似的功能和大量其他辅助工具。所有这些只代表一个目的。
所有这一切都被称作统计工作的专业环境，尤其是 IO。
第 7 页。
第四，即使研究者使用的样本量很大，
OOS 分析也必须覆盖样本的很大一部分才能得出结论，
这不利于策略的制定（见 Hawkins [15]）。如果 OOS
取自时间序列的末尾，我们就会失去最近的
观测结果，而这些观测结果往往最能代表未来。如果 OOS
取自时间序列的开头，则测试是在
上进行的，这可能是数据中最没有代表性的部分。
这里有长达 30 页的方法介绍https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2326253。开始阅读。显然，该方法基于交叉验证，但有其自身的特殊性--组合对称性。
我不想再读了，我已经精疲力尽了。
但我可以写一个自动合成的策略，并对非训练标准进行检查......
换句话说 我可以创造出最大化不训练标准的策略
我可以根据这一标准合成策略，然后在新数据上对其进行测试，看看它们是否糟糕或值得关注....。
测试了 -> 得到了结果-> 扔掉了/学会了。
但是，像 "休闲小丑 "一样带着一个想法奔波多年，什么也不做，就把它扔给所有人，那是死路一条。
不学习的标准是什么？
Prado 等人给 Maxim 的回复，他倾向于在早期站点提取 OOS： 第 7 页。 第四，即使研究者使用的样本量很大， OOS 分析也必须覆盖样本的很大一部分才能得出结论， 这不利于策略的制定（见 Hawkins [15]）。如果 OOS 取自时间序列的末尾，我们就会失去最近的 观测结果，而这些观测结果往往最能代表未来。
如果 OOS 取自时间序列的开头，那么测试就会在 上进行，而这可能是数据中最没有代表性的部分
。
未经训练的标准是什么？
目前在第 8 页。而这还只是介绍））））
看来是在交叉验证的基础上用夏普（Sharpe）进行比较（但他们写道，您可以使用任何其他指标）。
哇，他们要去普拉多了。
他的技巧对我都没用）。
哇，他们要去普拉多了。
他的技巧对我都没用）。
也许还有别的......我记不清楚了。
但这不是他的发明。也许他只是复述了一个有用的想法