交易中的机器学习：理论、模型、实践和算法交易 - 页 3116 1...310931103111311231133114311531163117311831193120312131223123...3399 新评论 Evgeni Gavrilovi 2023.06.26 18:09 #31151 Maxim Dmitrievsky #:时间线中还有其他内容吗？) 如果我们考虑到其他货币对的增量呢？这有用吗？ Maxim Dmitrievsky 2023.06.27 01:07 #31152 Evgeni Gavrilovi #:如果我们考虑到其他货币对的增量呢？这样做有用吗？ 如果不考虑其他货币对的增量，这种方法就不起作用，那么仅仅考虑其他货币对的增量并不能改善结果。如果不考虑这些因素也能工作，那么可能会有变种。如果机器人计划使用多种货币。或者，如果您想推导出不同报价之间的共同点，但这将是其他方法。 СанСаныч Фоменко 2023.06.27 11:16 #31153 Evgeni Gavrilovi #:如果我们考虑到其他货币对的增量呢？这样做有用吗？ "影响 "是一个定性特征。 您需要对预测因子和目标之间的关系强度进行定量测量。我在这个论坛上写过很多次文章，提到过 R 软件包，甚至引用过我的计算结果。 在其他货币对的基础上加入一些预测因子的想法非常可行。 PS.如果您在预处理阶段没有使用这种联系度量，您根本就不应该谈论 MO。 Maxim Dmitrievsky 2023.06.27 14:44 #31154 与 "预处理是我们的一切 "这一过时信息相反，预处理和后处理都经过了充分的研究，并被证明是有效的。 例如，特征学习（或表征学习）与预处理相关，并已在各种任务中得到证明。 Maxim Dmitrievsky 2023.06.29 15:34 #31155 让我们用一个理论 TS 来介绍一种假设情况，它由一个预测交易方向 的基本模型和一个预测获胜概率（交易或不交易）的元模型组成： 我们将第一个模型称为主模型，它用一条黑线将特征空间划分为买入/卖出。第二个是元模型，它将整个 特征空间划分为交易/不交易（红线）。现在，让我们设想另一种变体，即有两个元模型，每个模型将买入和卖出类的不同 特征空间分别划分为交易/非交易（两条红线）。一个 "需要思考 "的纯理论问题是，第二种方案是否更好？如果更好，为什么？请发表意见。 甚至可以向阿列克谢-尼古拉耶夫提出一个请求，即如何确定这种 "干预 "的效果。毕竟，我们将得到两个元模型的两个概率分布，可以通过角进行比较/评估/分配。 Forester 2023.06.29 15:49 #31156 我使用的是第二种变体。 我认为牛市和熊市的交易方式是不同的。同样的欧元通常会快速下跌，然后缓慢上升。行为不同。不同的筹码也很重要。模型中的超参数不同。一个关于买入/卖出的模型不可能很好地结合不同行动的不同行为。会有介于两者之间的东西。 Maxim Dmitrievsky 2023.06.29 15:55 #31157 Forester #:我使用的是第二种变体。 我认为牛市和熊市的交易方式是不同的。同样的欧元通常会快速下跌，然后缓慢上升。行为不同。不同的筹码也很重要。模型中的超参数不同。买入/卖出模型不太可能很好地结合不同行为的不同表现。它将介于两者之间。 直觉上似乎也是如此。但也有可能同时得到两个模型的买入/卖出的交易/不交易概率，而不管主模型预测的是哪个方向。将它们进行比较，并进行额外检查，以确保开仓概率有明显差异。 mytarmailS 2023.06.29 16:00 #31158 Maxim Dmitrievsky 方向 的基本模型和一个预测获胜概率（交易或不交易）的元模型组成： 预测交易 方向 是什么意思？ 预测获胜 概率是什么意思？ 这些概念太模糊了 在一般情况下，以概率形式对市场涨跌预测进行二元分类可以解决这个问题。 增长概率大于 0.5 - 这是交易的方向。 高概率，例如 0.8 - 这将是获胜的概率。 不要使用元模型。 但这是在一般情况下，但我知道，我们不是在谈论一般情况，所以我们需要澄清的术语是 预测交易方向 预测获胜 概率 Forester 2023.06.29 16:05 #31159 Maxim Dmitrievsky #: 直觉上似乎也是如此。但也可以同时从两个模型中获得买入/卖出的概率，无论预测的是哪个方向。将它们进行比较，并进行额外的检查，这样开仓交易的概率就会有明显的不同。 我还没试过。直观地说）但正如马克思所说：实践是检验真理的标准。如果在实践中对您有效--那就好) Maxim Dmitrievsky 2023.06.29 16:05 #31160 mytarmailS #:什么叫预测交易方向？什么意思 -预测获胜概率这是一个模糊的概念。在一般情况下，以概率形式对市场增长/下降预测进行二进制分类可以解决这个问题增长概率大于 0.5 就是交易方向概率高，例如 0.8 - 这将是获胜的概率没有元模型。但这是在一般情况下，但我知道我们谈论的不是一般情况，所以我们需要澄清什么是一般情况的术语。预测交易方向预测获胜概率 这在历史上已经讨论过很多次了。第一个买入/卖出模型在新数据上进行测试。它出错的案例被归入 "不交易 "类，其余的归入 "交易 "类。第二个分类器在此基础上进行训练。我们会得到两个模型。其中一个预测方向，另一个预测是否应该退出交易。如果我们只通过一个模型来设置交易阈值，这就具有了灵活性。因为这两个模型可以通过一个模型改进另一个模型。我在上一篇文章中介绍了原始方法。后来我改用了修正逻辑。 顺便说一句，这还是个未决问题，因为显然可以通过不同的方式，通过另一种方式来改进每一种模型。后来，我又遇到了科祖尔推理，他们也是用类似的方法进行推理的。 1...310931103111311231133114311531163117311831193120312131223123...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
时间线中还有其他内容吗？)
如果我们考虑到其他货币对的增量呢？这有用吗？
如果我们考虑到其他货币对的增量呢？这样做有用吗？
如果我们考虑到其他货币对的增量呢？这样做有用吗？
"影响 "是一个定性特征。
您需要对预测因子和目标之间的关系强度进行定量测量。我在这个论坛上写过很多次文章，提到过 R 软件包，甚至引用过我的计算结果。
在其他货币对的基础上加入一些预测因子的想法非常可行。
PS.如果您在预处理阶段没有使用这种联系度量，您根本就不应该谈论 MO。
与 "预处理是我们的一切 "这一过时信息相反，预处理和后处理都经过了充分的研究，并被证明是有效的。
例如，特征学习（或表征学习）与预处理相关，并已在各种任务中得到证明。让我们用一个理论 TS 来介绍一种假设情况，它由一个预测交易方向 的基本模型和一个预测获胜概率（交易或不交易）的元模型组成：
我们将第一个模型称为主模型，它用一条黑线将特征空间划分为买入/卖出。第二个是元模型，它将整个 特征空间划分为交易/不交易（红线）。
现在，让我们设想另一种变体，即有两个元模型，每个模型将买入和卖出类的不同 特征空间分别划分为交易/非交易（两条红线）。
一个 "需要思考 "的纯理论问题是，第二种方案是否更好？如果更好，为什么？请发表意见。
甚至可以向阿列克谢-尼古拉耶夫提出一个请求，即如何确定这种 "干预 "的效果。毕竟，我们将得到两个元模型的两个概率分布，可以通过角进行比较/评估/分配。我使用的是第二种变体。
我认为牛市和熊市的交易方式是不同的。同样的欧元通常会快速下跌，然后缓慢上升。行为不同。不同的筹码也很重要。模型中的超参数不同。一个关于买入/卖出的模型不可能很好地结合不同行动的不同行为。会有介于两者之间的东西。
我使用的是第二种变体。
我认为牛市和熊市的交易方式是不同的。同样的欧元通常会快速下跌，然后缓慢上升。行为不同。不同的筹码也很重要。模型中的超参数不同。买入/卖出模型不太可能很好地结合不同行为的不同表现。它将介于两者之间。
预测交易 方向 是什么意思？
预测获胜 概率是什么意思？
这些概念太模糊了
在一般情况下，以概率形式对市场涨跌预测进行二元分类可以解决这个问题。
增长概率大于 0.5 - 这是交易的方向。
高概率，例如 0.8 - 这将是获胜的概率。
不要使用元模型。
但这是在一般情况下，但我知道，我们不是在谈论一般情况，所以我们需要澄清的术语是
预测交易方向
预测获胜 概率
直觉上似乎也是如此。但也可以同时从两个模型中获得买入/卖出的概率，无论预测的是哪个方向。将它们进行比较，并进行额外的检查，这样开仓交易的概率就会有明显的不同。
什么叫预测交易方向？
什么意思 -预测获胜概率
这是一个模糊的概念。
在一般情况下，以概率形式对市场增长/下降预测进行二进制分类可以解决这个问题
增长概率大于 0.5 就是交易方向
概率高，例如 0.8 - 这将是获胜的概率
没有元模型。
但这是在一般情况下，但我知道我们谈论的不是一般情况，所以我们需要澄清什么是一般情况的术语。
预测交易方向
预测获胜概率
这在历史上已经讨论过很多次了。第一个买入/卖出模型在新数据上进行测试。它出错的案例被归入 "不交易 "类，其余的归入 "交易 "类。第二个分类器在此基础上进行训练。我们会得到两个模型。其中一个预测方向，另一个预测是否应该退出交易。如果我们只通过一个模型来设置交易阈值，这就具有了灵活性。因为这两个模型可以通过一个模型改进另一个模型。我在上一篇文章中介绍了原始方法。后来我改用了修正逻辑。
顺便说一句，这还是个未决问题，因为显然可以通过不同的方式，通过另一种方式来改进每一种模型。
后来，我又遇到了科祖尔推理，他们也是用类似的方法进行推理的。