交易中的机器学习：理论、模型、实践和算法交易 - 页 3117 1...311031113112311331143115311631173118311931203121312231233124...3399 新评论 mytarmailS 2023.06.29 16:22 #31161 Maxim Dmitrievsky #: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最初的方法。后来我改用了修改后的逻辑。顺便说一句，这还是个未决问题，因为显然可以用不同的方法来改进彼此。后来，我看到了科祖尔推理，他们也是用类似的方法进行推理的。 我不知道。 第二种模式是否可以使用这种过滤方法？ Maxim Dmitrievsky 2023.06.29 16:23 #31162 mytarmailS #:我不知道。第二种模式的过滤又有什么用呢？ 在新数据上更好。 mytarmailS 2023.06.29 16:30 #31163 Maxim Dmitrievsky #:在新数据的基础上 如果我们在最初的单一模型上设置概率阈值，比如 > 0.7 买入 < 0.3 卖出 这样，测试和跟踪都会变得更好，交易自然也会减少... 我很好奇，第二个模型真的有帮助吗？ 有任何测试和比较吗？ СанСаныч Фоменко 2023.06.29 16:31 #31164 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： 我们把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。 这是对问题模棱两可的表述。 事实证明，我们更相信第二个概率模型，而不是第一个模型，并将第二个模型作为第一个模型的过滤器。 或者，我们把这种情况视为 "AND "操作，即结果的交叉。 这是一个死胡同，我们已经走过了。 我从未见过任何模型能给出一个方向，因为如果它们给出了一个方向，即使是外部的，那也是方向概率正则化的结果。这就是为什么建议使用 R 的标准方法，即 "模型集合"，将两个或多个模型的结果，即第一级模型的结果，用作第二级分类算法的预测因子。顺便说一句，如果你非常喜欢分类变量，也可以将它们输入分类器的输入端。如果可以按置信度对模型结果进行排序，则可以通过权重进行调整。也就是说，第二级是将第一级模型的分类结果作为预测因子的分类器。这种方法对于通过 0.5 以外的正则化得到的不平衡类非常有趣，例如，我们将分类器结果作为概率，按 0.4 和 0.6 的量化值进行划分。中间值将退出市场。 Maxim Dmitrievsky 2023.06.29 16:36 #31165 mytarmailS #:如果我们在最初的单一模型上设置如下概率阈值> 0.7 购买< 0.3 卖出那么在测试和跟踪时也会变得更好，交易自然会减少....第二个模型真的能提供什么吗？ 我想知道...有没有进行过测试和比较？ 试想一下，您通过交叉验证训练了第一个模型，并将所有错误的预测放到第二个模型中，从而避免了交易。你已经有了一个统计意义，即第一个模型在某些地方更经常出错，而在某些地方总是交易得很好。这就可以被第二个模型过滤掉。通过一个模型已经比较困难了。这种调整还有其他变种。 mytarmailS 2023.06.29 16:39 #31166 Maxim Dmitrievsky #: 试想一下，您通过交叉验证训练出了第一个模型，并将所有错误的预测都放入了第二个模型中，将其作为 "无交易 "模型。在统计意义上，第一个模型在某些地方更有可能出错，而第二个模型可以过滤掉这些错误。通过一个模型已经比较困难了。这种调整还有其他变种。 嗯，听起来很有道理。 Maxim Dmitrievsky 2023.06.29 16:44 #31167 mytarmailS #:听起来很有道理。 即使第二个模型也是错的，但在这种情况下，它仍能以某种方式纠正第一个模型的错误，是的，有点像这样。在科祖尔推理中，他们的方法得到了更严格的证明。我想说是完全严谨的证明。 https://en.wikipedia.org/wiki/Frisch%E2%80%93Waugh%E2%80%93Lovell_theorem Maxim Dmitrievsky 2023.06.29 16:50 #31168 Forester #: 我没试过。直觉上）但正如马克思所说：实践是检验真理的标准。如果在实践中对你有用--那就好）。 在这个过程中，我正试着转向第二种选择。 Maxim Dmitrievsky 2023.06.29 16:51 #31169 СанСаныч Фоменко #:对问题的表述模棱两可。事实证明，我们更相信第二个概率模型，而不是第一个模型，第二个模型被用作第一个模型的过滤器。 或者，我们把这种情况解释为 "AND "操作，即结果的交叉。这是一条死路，我们已经走过了。我没有遇到过任何可以给出方向的模型，因为如果它们给出了方向，即使是外部的方向，那也是方向概率正则化的结果。这就是为什么建议使用 R 的标准方法，即 "模型集合"，将两个或多个模型的结果，即第一级模型的结果，用作第二级分类算法的预测因子。顺便说一句，如果你很喜欢分类变量，也可以将它们输入分类器。如果可以按置信度对模型结果进行排序，则可以通过权重进行调整。也就是说，第二级是使用第一级模型分类结果作为预测因子的分类器。这种方法对于通过 0.5 以外的正则化得到的不平衡类非常有趣，例如，我们将分类器结果作为概率，按 0.4 和 0.6 的量化值进行划分。中间值将退出市场。 集合（Ensemble）在意义上很接近，但在实施上却相去甚远。因为所提出的方法可以用不同的方式获得不同的结果，所以非常灵活。 我也做过集合，但没有成功。 СанСаныч Фоменко 2023.06.29 16:55 #31170 Maxim Dmitrievsky #: 试想一下，您通过交叉验证训练出了第一个模型，并 将所有错误的预测都放入了第二个模型中，将其作为 "无交易"模型。在统计意义上，第一个模型在某些地方更有可能出错，而第二个模型可以过滤掉这些错误。通过一个模型已经比较困难了。这种调整还有其他变种。 我完全不清楚错误过滤的概念。 如果模型的预测结果是 50/50，那么把坏的 50 个扔掉，剩下的就能预测出 100% 的结果？这只是超级学习，别无其他。 分类误差的产生是由于相同的预测值在某些情况下预测正确，而在另一些情况下预测不正确，而这个问题只能在过滤预测值与目标变量之间的 "关系强度 "阶段才能消除，完全不可能，上帝愿意过滤预测值，并以此为代价将分类误差降低 10%。 1...311031113112311331143115311631173118311931203121312231233124...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
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最初的方法。后来我改用了修改后的逻辑。
顺便说一句，这还是个未决问题，因为显然可以用不同的方法来改进彼此。
后来，我看到了科祖尔推理，他们也是用类似的方法进行推理的。
我不知道。
第二种模式是否可以使用这种过滤方法？
我不知道。
第二种模式的过滤又有什么用呢？
在新数据上更好。
在新数据的基础上
如果我们在最初的单一模型上设置概率阈值，比如
> 0.7 买入
< 0.3 卖出
这样，测试和跟踪都会变得更好，交易自然也会减少...
我很好奇，第二个模型真的有帮助吗？
有任何测试和比较吗？
我们把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。这是对问题模棱两可的表述。
事实证明，我们更相信第二个概率模型，而不是第一个模型，并将第二个模型作为第一个模型的过滤器。
或者，我们把这种情况视为 "AND "操作，即结果的交叉。
这是一个死胡同，我们已经走过了。
我从未见过任何模型能给出一个方向，因为如果它们给出了一个方向，即使是外部的，那也是方向概率正则化的结果。这就是为什么建议使用 R 的标准方法，即 "模型集合"，将两个或多个模型的结果，即第一级模型的结果，用作第二级分类算法的预测因子。顺便说一句，如果你非常喜欢分类变量，也可以将它们输入分类器的输入端。如果可以按置信度对模型结果进行排序，则可以通过权重进行调整。也就是说，第二级是将第一级模型的分类结果作为预测因子的分类器。这种方法对于通过 0.5 以外的正则化得到的不平衡类非常有趣，例如，我们将分类器结果作为概率，按 0.4 和 0.6 的量化值进行划分。中间值将退出市场。
如果我们在最初的单一模型上设置如下概率阈值
> 0.7 购买
< 0.3 卖出
那么在测试和跟踪时也会变得更好，交易自然会减少....
第二个模型真的能提供什么吗？ 我想知道...
有没有进行过测试和比较？
试想一下，您通过交叉验证训练出了第一个模型，并将所有错误的预测都放入了第二个模型中，将其作为 "无交易 "模型。在统计意义上，第一个模型在某些地方更有可能出错，而第二个模型可以过滤掉这些错误。通过一个模型已经比较困难了。这种调整还有其他变种。
嗯，听起来很有道理。
听起来很有道理。
即使第二个模型也是错的，但在这种情况下，它仍能以某种方式纠正第一个模型的错误，是的，有点像这样。在科祖尔推理中，他们的方法得到了更严格的证明。我想说是完全严谨的证明。
https://en.wikipedia.org/wiki/Frisch%E2%80%93Waugh%E2%80%93Lovell_theorem
我没试过。直觉上）但正如马克思所说：实践是检验真理的标准。如果在实践中对你有用--那就好）。
在这个过程中，我正试着转向第二种选择。
对问题的表述模棱两可。
事实证明，我们更相信第二个概率模型，而不是第一个模型，第二个模型被用作第一个模型的过滤器。
或者，我们把这种情况解释为 "AND "操作，即结果的交叉。
这是一条死路，我们已经走过了。
我没有遇到过任何可以给出方向的模型，因为如果它们给出了方向，即使是外部的方向，那也是方向概率正则化的结果。这就是为什么建议使用 R 的标准方法，即 "模型集合"，将两个或多个模型的结果，即第一级模型的结果，用作第二级分类算法的预测因子。顺便说一句，如果你很喜欢分类变量，也可以将它们输入分类器。如果可以按置信度对模型结果进行排序，则可以通过权重进行调整。也就是说，第二级是使用第一级模型分类结果作为预测因子的分类器。这种方法对于通过 0.5 以外的正则化得到的不平衡类非常有趣，例如，我们将分类器结果作为概率，按 0.4 和 0.6 的量化值进行划分。中间值将退出市场。
集合（Ensemble）在意义上很接近，但在实施上却相去甚远。因为所提出的方法可以用不同的方式获得不同的结果，所以非常灵活。
我也做过集合，但没有成功。
试想一下，您通过交叉验证训练出了第一个模型，并 将所有错误的预测都放入了第二个模型中，将其作为 "无交易"模型。在统计意义上，第一个模型在某些地方更有可能出错，而第二个模型可以过滤掉这些错误。通过一个模型已经比较困难了。这种调整还有其他变种。
我完全不清楚错误过滤的概念。
如果模型的预测结果是 50/50，那么把坏的 50 个扔掉，剩下的就能预测出 100% 的结果？这只是超级学习，别无其他。
分类误差的产生是由于相同的预测值在某些情况下预测正确，而在另一些情况下预测不正确，而这个问题只能在过滤预测值与目标变量之间的 "关系强度 "阶段才能消除，完全不可能，上帝愿意过滤预测值，并以此为代价将分类误差降低 10%。