交易中的机器学习:理论、模型、实践和算法交易 - 页 380

 
雷纳特-阿赫蒂亚莫夫

而预测将是 "万岁!"

顺便说一下,他们说,只要波动性低,"是 "就是一个好的预测。


我怎样才能看到这些代码?
 
桑桑尼茨-弗门科

我可以看看代码吗?
按照上一页的链接。
 
雷纳特-阿赫蒂亚莫夫
按照上一页的链接。


我什么都不明白。

有一个策略图和一个购买和持有图。欧元兑美元的图表 在哪里

 
桑桑尼茨-弗门科


我什么都不明白。

有一个策略图和一个购买和持有图。欧元兑美元 的图表在哪里

你要的代码--就在下面。你不需要阅读其他内容。
 

对不起,我去看了下一个帖子,发现了以下图表


非常有趣的东西。

缺少的是证明相关功能适用性的测试。

 
马克西姆-德米特里耶夫斯基

我不知道如何把它放到mql中,但这太复杂了。我买了一本大学教科书,里面有Garch,现在我正在读它)。

国防部始终是一个现成的、有意义的模式。有时它是如此有意义,你甚至不知道它是如何运作的。这里有一篇关于梯度提升的文章,例如https://habrahabr.ru/company/ods/blog/327250/ 有一篇文章,有描述和公式,但我还没能实现我的愿望,把它转移到mql中,太复杂了。

这个问题略有不同,不是在其意义上,而是在其狭窄的专业性上。
Arima和Garch直接与价格合作,没有指标和TA。他们有一个内置的算法,可以把价格序列变成静止向量,甚至还有一些微妙的功能,比如根据以前的误差(MA成分)来纠正预测。但同时,它们对其他(非价格)数据毫无用处,例如这些模型不能对图片进行分类。

如果我们将价格的时间序列传递给神经网络进行训练,它将不会搜索价格的自相关、季节性和趋势成分--神经网络无法做到这一点。它将简单地记住它所得到的东西,对于测试或实际交易中的新数据,它将 "记住 "过去的类似价格向量,并像以前那样进行交易,但在外汇中,这意味着一个缺点。
应该帮助Neuronka预测价格--首先它应该找到像Arima一样可以检测自相关、趋势和季节性的指标,并将这些指标的值转移到Neuronka。那么它至少会有一小部分机会与阿里巴巴和Garch相媲美。
另一件重要的事情是,阿里马根据时间来进行预测。它清楚地记得价格到达的顺序,并在预测中使用滑动窗口,即采取最后几个价格并根据它们进行预测。与神经元学不同的是,神经元学是在不知道价格到达的顺序的情况下,一下子对整个训练表进行工作。

 
交易员博士

国防部始终是一个现成的、有意义的模式。有时它是如此有意义,你甚至不知道它是如何运作的。这里有一篇关于梯度提升的文章,例如https://habrahabr.ru/company/ods/blog/327250/ 有一篇文章,有描述和公式,但我想把它转到mql中的愿望还没能实现,它太复杂了。

这是一个有点不同的问题,不是在意义上,而是在狭窄的专业上。
Arima, Garch - 直接用价格工作,没有指标和TA。为此,他们有一个内置的算法,将价格序列变成静止向量,甚至还有一些细微的变化,如根据以前的误差(MA成分)对预测进行修正。但同时,它们对其他(非价格)数据毫无用处,例如这些模型不能对图片进行分类。

如果我们将价格的时间序列传递给神经网络进行训练,它将不会搜索价格的自相关、季节性和趋势成分--神经网络无法做到这一点。它将简单地记住它所得到的东西,对于测试或实际交易中的新数据,它将 "记住 "过去的类似价格向量,并像以前那样进行交易,但在外汇中,这意味着一个缺点。
应该帮助Neuronka预测价格--首先它应该找到像Arima一样可以检测自相关、趋势和季节性的指标,并将这些指标的值转移到Neuronka。那么它至少会有一小部分机会与阿里巴巴和Garch相媲美。
另一件重要的事情是,阿里马根据时间来进行预测。它清楚地记得价格到达的顺序,并在预测中使用滑动窗口,即采取最后几个价格并根据它们进行预测。相对于神经元学来说,神经元学一次就能处理整个训练表,而且不知道价格是以什么顺序到达的。


MO不是一个完成的有意义的模型,它是一个过程:)而Garch是一个模型。这怎么能相提并论呢 :)

我很清楚所发生的一切,在我还不知道它的存在时,我就已经到了某种程度上的Garch。以及神经元学的作用。我建立我的思想模型已经有很长一段时间了:)多长时间,大约2周。顺便说一下,所有这些文章大多是垃圾......对于一般教育来说,读起来很有意思。

顺便说一句,外汇市场上系统的复杂性完全不能说明其有效性...
 
Maxim Dmitrievsky:


这怎么能相提并论呢 :)

MO总是包括某种模式,而且几乎总是采取一些经过时间考验的工作模式。例如神经元学或梯度提升,在其创建过程中投入了大量的精力和时间(几十年的算法演化),以至于它们可以比阿里马更有意义。

 
交易员博士

MO总是包括某种模式,而且几乎总是采取一些有效的、经过时间考验的模式。例如神经元学或梯度提升,在其创建过程中投入了大量的精力和时间(几十年的算法演化),以至于它们可以比阿里马更有意义。


它是什么模型--回归还是分类 :)这就是神经元学能做的一切

 
交易员博士

国防部始终是一个现成的、有意义的模式。有时它是如此有意义,你甚至不知道它是如何运作的。这里有一篇关于梯度提升的文章,例如https://habrahabr.ru/company/ods/blog/327250/ 有一篇文章,有描述和公式,但我想把它转到mql中的愿望还没能实现,它太复杂了。

这是一个有点不同的问题,不是在意义上,而是在狭窄的专业上。
Arima, Garch - 直接用价格工作,没有指标和TA。为此,他们有一个内置的算法,将价格序列变成静止向量,甚至还有一些细微的变化,如根据以前的误差(MA成分)对预测进行修正。但同时,它们对其他(非价格)数据毫无用处,例如这些模型不能对图片进行分类。

如果我们将价格的时间序列传递给神经网络进行训练,它将不会搜索价格的自相关、季节性和趋势成分--神经网络无法做到这一点。它将简单地记住它所得到的东西,对于测试或实际交易中的新数据,它将 "记住 "过去的类似价格向量,并像以前那样进行交易,但在外汇中,这意味着一个缺点。
应该帮助Neuronka预测价格--首先它应该找到像Arima一样可以检测自相关、趋势和季节性的指标,并将这些指标的值转移到Neuronka。那么它至少会有一小部分机会与阿里巴巴和Garch相媲美。
另一件重要的事情是,阿里马根据时间来进行预测。它清楚地记得价格到达的顺序,并在预测中使用滑动窗口,即采取最后几个价格并根据它们进行预测。相对于神经元学来说,神经元学一次就能处理整个训练表,而且不知道价格是以什么顺序到达的。


+++