交易中的机器学习：理论、模型、实践和算法交易 - 页 380

新评论
 
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。


+++
1...373374375376377378379380381382383384385386387...3399
新评论