交易中的机器学习：理论、模型、实践和算法交易 - 页 41 1...343536373839404142434445464748...3399 新评论 mytarmailS 2016.07.12 07:50 #401 mytarmailS 2016.07.12 07:59 #402 Dr.Trader: 训练一个会产生与你想要的东西相反的神经元，就像你的一样，但是是故意的。但这样做的意义何在？:)我不是故意的，我只是训练它，看到它 ))配方是这样的-- 1）分别训练买入和卖出的两个网络，我采取的网络是 "深度神经"，这很重要，因为这样的网络的输出不是010101，而概率是01010。2）我简单地从两个网的输出，建立一个累积和的差异，得到图片上的内容......在第一张图片中，概率显示在底部（两个网络的输出，原样），累积差值（原样）与价格一起显示在顶部。在第二张图片上是一样的，为了更清楚，累积差额的符号被颠倒了（反转）。=======================================如果这个过程预示着未来的几个烛台，至少对一个人来说，它是一个圣杯))我还没有成功 mytarmailS 2016.07.12 10:02 #403 需要一些工具，可以使用一组预测器，提前几步进行预测 mytarmailS 2016.07.13 07:10 #404 等了一天的评论，难道没有人感兴趣？ СанСаныч Фоменко 2016.07.13 14:11 #405 mytarmailS: 已经等了一天的评论了，难道没有人感兴趣吗？？这个问题本身并不清楚。请注意。有近两百个模型。如果你还没有开始掌握它们，我建议你这样做。这不仅仅是模型，还有很多其他非常有用的东西。如果你愿意，它可以提前几步预测一切。回归模型会积累以前步骤的误差。对于分类模型来说，误差会增长，但不是因为前面的步骤数。请注意，对于时间序列 来说，总是有可能扩大TF并预测一个步骤，这相当于在一个较小的TF上预测几个步骤。 Dr. Trader 2016.07.13 19:09 #406 mytarmailS: 需要某种工具，可以使用一组预测器提前预测几步 我今天早上建议使用nnet。我错了，这个软件包从来没有能够同时预测多种结果。我删掉了这个帖子，以免混淆大家的视听。 Alexey Burnakov 2016.07.15 07:50 #407 全部读完。有趣的是。但没能进入其中。正在度假。我将在一个星期内进入它，并公布我所承诺的内容。阿列克谢 Vladimir Perervenko 2016.07.15 10:03 #408 mytarmailS: 需要某种工具，可以使用一组预测器提前几步进行预测看看Rminer。非常有组织的一揽子计划 mytarmailS 2016.07.17 09:48 #409 弗拉基米尔-佩雷文科。你好!我有两个问题要问你 1）关于前一页中的循环网络，我扔掉了 "rnn "包，它确实有点奇怪，而且构思不周，换成了 "RSNNS"，把网络 "Elman "的数据都扔掉了。我不明白在 "rnn "中，在哪里以及如何设置 "网络在过去记得多远"，在这里，每个变量都被转化为一个带有数字的矩阵，这一点是很明显的。列与网络的内存大小相对应，但我 在"RSNNS " 中没有找到这样的参数，但它不可能不存在，因为循环网络的本质正是在其中。2）我应该在"Rminer"中寻找什么？如果你指的是像 "arima "这样的东西，那么它将不起作用。我曾试图写一个这样的分类器目标来进行几步预测，但我失败了，结果很奇怪，首先质量下降了（这很正常，因为预测不是在第5或第10根蜡烛上），反相关仍然存在，尽管不那么明显，但关键是我没有得到预期的在我看来，指标反转与市场反转是一样的，即我得到的东西质量更差，但我不明白为什么会发生这样的情况。.. mytarmailS 2016.07.17 10:55 #410 让我们来谈一谈定性特征的选择。我的想法是...不要自暴自弃！我说得很夸张，但这是个好例子......所有常见的属性选择方法（在市场上）都简化为在训练样本中放入100个指标，并使用不同 "程度 "的不同方法来选择，例如20个最能描述价格的指标，但是，尽管有先进而强大的属性选择方法，这种方法是不是太原始了？我认为这很粗糙和原始，选择方法与此无关，让我解释一下原因......让我们绕道而行，想想一个专业的交易员是如何工作的（记住，我还是很夸张的:)），他只有两个功能--水平和 "RSI "指标。而有一个交易系统，卖出交易听起来是这样的--如果水平向上突破，RSI大于0.9，那么卖出...什么是交易系统？ 交易系统在这种情况下充当了一个数据过滤器，一个不让交易者进入噪音的过滤器，在这个例子中，RSI的噪音份额不是开玩笑的95%，因为RSI范围从-1到1，交易者只需要>0.9的那些5%...因此，由此得出的结论是，上帝保佑每个性状中有5%的有用信息，其余95%是噪音，是不需要的噪音，是阻止网络学习的噪音，是必须去除的噪音......因此，你需要从每个属性中只提取有用的情况，在这个例子中，RSI是从0,9到1，其余的都是垃圾。现在让我们回到帖子的开头，你有100个属性（指标），你所能做的（无论方法多么酷）就是挑选最好的指标，意识到每个指标都有95%的噪音，你认为这些属性的选择质量接近零，你和我在这个领域的研究证实了什么... 结论：有必要对每个特征进行分析，并从中分离出有用的东西，我有一些想法，但在我说出来之前，我想听听你的想法、意见和建议。 1...343536373839404142434445464748...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
训练一个会产生与你想要的东西相反的神经元，就像你的一样，但是是故意的。但这样做的意义何在？:)
我不是故意的，我只是训练它，看到它 ))
配方是这样的--
1）分别训练买入和卖出的两个网络，我采取的网络是 "深度神经"，这很重要，因为这样的网络的输出不是010101，而概率是01010。
2）我简单地从两个网的输出，建立一个累积和的差异，得到图片上的内容......
在第一张图片中，概率显示在底部（两个网络的输出，原样），累积差值（原样）与价格一起显示在顶部。
在第二张图片上是一样的，为了更清楚，累积差额的符号被颠倒了（反转）。
=======================================
如果这个过程预示着未来的几个烛台，至少对一个人来说，它是一个圣杯))我还没有成功
已经等了一天的评论了，难道没有人感兴趣吗？？
这个问题本身并不清楚。
请注意。有近两百个模型。如果你还没有开始掌握它们，我建议你这样做。这不仅仅是模型，还有很多其他非常有用的东西。
如果你愿意，它可以提前几步预测一切。
回归模型会积累以前步骤的误差。
对于分类模型来说，误差会增长，但不是因为前面的步骤数。
请注意，对于时间序列 来说，总是有可能扩大TF并预测一个步骤，这相当于在一个较小的TF上预测几个步骤。
需要某种工具，可以使用一组预测器提前预测几步
mytarmailS:
需要某种工具，可以使用一组预测器提前几步进行预测
看看Rminer。非常有组织的一揽子计划
你好!
我有两个问题要问你
1）关于前一页中的循环网络，我扔掉了 "rnn "包，它确实有点奇怪，而且构思不周，换成了 "RSNNS"，把网络 "Elman "的数据都扔掉了。我不明白在 "rnn "中，在哪里以及如何设置 "网络在过去记得多远"，在这里，每个变量都被转化为一个带有数字的矩阵，这一点是很明显的。列与网络的内存大小相对应，但我 在"RSNNS " 中没有找到这样的参数，但它不可能不存在，因为循环网络的本质正是在其中。
2）我应该在"Rminer"中寻找什么？如果你指的是像 "arima "这样的东西，那么它将不起作用。
我曾试图写一个这样的分类器目标来进行几步预测，但我失败了，结果很奇怪，首先质量下降了（这很正常，因为预测不是在第5或第10根蜡烛上），反相关仍然存在，尽管不那么明显，但关键是我没有得到预期的在我看来，指标反转与市场反转是一样的，即我得到的东西质量更差，但我不明白为什么会发生这样的情况。..
让我们来谈一谈定性特征的选择。我的想法是...
不要自暴自弃！我说得很夸张，但这是个好例子......
所有常见的属性选择方法（在市场上）都简化为在训练样本中放入100个指标，并使用不同 "程度 "的不同方法来选择，例如20个最能描述价格的指标，但是，尽管有先进而强大的属性选择方法，这种方法是不是太原始了？我认为这很粗糙和原始，选择方法与此无关，让我解释一下原因......
让我们绕道而行，想想一个专业的交易员是如何工作的（记住，我还是很夸张的:)），他只有两个功能--水平和 "RSI "指标。而有一个交易系统，卖出交易听起来是这样的--如果水平向上突破，RSI大于0.9，那么卖出...
什么是交易系统？ 交易系统在这种情况下充当了一个数据过滤器，一个不让交易者进入噪音的过滤器，在这个例子中，RSI的噪音份额不是开玩笑的95%，因为RSI范围从-1到1，交易者只需要>0.9的那些5%...
因此，由此得出的结论是，上帝保佑每个性状中有5%的有用信息，其余95%是噪音，是不需要的噪音，是阻止网络学习的噪音，是必须去除的噪音......因此，你需要从每个属性中只提取有用的情况，在这个例子中，RSI是从0,9到1，其余的都是垃圾。
现在让我们回到帖子的开头，你有100个属性（指标），你所能做的（无论方法多么酷）就是挑选最好的指标，意识到每个指标都有95%的噪音，你认为这些属性的选择质量接近零，你和我在这个领域的研究证实了什么...
结论：有必要对每个特征进行分析，并从中分离出有用的东西，我有一些想法，但在我说出来之前，我想听听你的想法、意见和建议。