交易中的机器学习：理论、模型、实践和算法交易 - 页 550 1...543544545546547548549550551552553554555556557...3399 新评论 Alexander_K2 2018.01.05 15:37 #5491 马克西姆-德米特里耶夫斯基。 嗯，是的，这些不是现成的计量经济学模型，而只是一套对所有领域都通用的工具。非参数计量经济学 只是关于IR和模糊逻辑，但我还没有看到任何连贯的东西，也许是因为没有研究出一般的方法。我不知道它是如何运作的 :) 马克西姆，我恐怕会投以异样的眼光，但在我看来--神经网络并不像我在文章中读到的那样适用。你在处理价格本身，尽管将其归一化，而你必须处理价格的概率密度。这里存在着与海森堡不确定性原理的不可消除的矛盾。但是，我不会干涉--它仍然是有趣的。 [删除] 2018.01.05 15:42 #5492 亚历山大_K2。 我很害怕可能发生的事情，马克西姆，但在我看来--神经网络并不适用我在文章中读到的方式。你正在处理价格本身，尽管将其归一化，而你应该处理价格的概率密度。这里存在着与海森堡不确定性原理的不可消除的矛盾。但是，我不会干涉--它仍然是有趣的。你不干涉，写你想写的东西--这是一个公共论坛。对你的分配也是如此，我们会得到的，不是一下子就能得到的，只要有一些 "不可描述 "的想法 :D我进入舞蹈只是因为我必须通过Python或R来获得LR和RF的功能的重要性，然后我得意忘形，开始进一步探索我在NS中有一个机器人，考虑到市场的变化，我必须定期为其提供 "良好的功能"，但除此之外，它运行良好。 [删除] 2018.01.05 20:55 #5493 马克西姆-德米特里耶夫斯基。 你不干涉，写你想写的东西--这是一个公共论坛。对你的分配，我们也会得到，不是一下子就能得到的，只要有一些 "不可描述 "的想法 :D我进入舞蹈只是因为我必须通过Python或R来获得LR和RF的功能的重要性，然后我得意忘形，开始进一步探索如果我有一个机器人在NS，我应该定期给它提供自动的 "好迹象"，考虑到不断变化的市场，但除此之外，它工作得很好。马克西姆，你的专家顾问怎么了？你在哪里可以找到这些测试？ Grigoriy Chaunin 2018.01.06 03:05 #5494 https://github.com/RandomKori/Py36MT5 这里是MT5的Python库的来源。唯一的问题是关于数组。传递数组或接收数组都不能正确工作。我在Visual Studio中调试了DLL代码。那里的一切都很好。问题是，这可能是一个终端错误。我还没有写如何与图书馆合作。这里面没有任何意义。没有数组就没有人需要它。虽然可能在pythom.mqh文件中搞砸了，但帮我弄清楚。它将对每个人都有用处。 Grigoriy Chaunin 2018.01.06 03:20 #5495 真正的数组可以正常工作。阵列长阵列不起作用。 Grigoriy Chaunin 2018.01.06 03:36 #5496 替换了内部的长。现在一切都正常了。该图书馆可以使用。只写关于使用的评论。 [删除] 2018.01.06 06:27 #5497 geratdc: 马克西姆，你的EA是怎么了？我在哪里可以看到这些测试，还是所有的东西都是机密？我正在变得越来越好......但很慢，因为这个问题很复杂。 [删除] 2018.01.06 09:15 #5498 关于如何为市场建立一个模型的一些观察/想法（来自经验）。对于神经网络分类器：类平衡是强制性的，2个或更多类的例子数量必须平衡。如果模型是在一个趋势段上训练的，就可以镜像信号并增加相反的例子。同时，标志必须与目标不相关，这一点很清楚。对于神经网络回归者：至少有一个指标必须与目标强烈 相关，特别是当模型在输出价格上训练时。如果不这样做，那么回归因子就会在树中迷失，如果样本中包含重复或类似的例子，但输出价格不同，就无法正确预测价格。为此，除了其他特征外，你可以提供具有大滞后（超过50）的归一化增量。 训练的样本越大，需要更大的滞后来排除重复的变体。最好还能提供几个这样的系列，其增量相互移位，那么每个单独的案例几乎都能得到明确的解释。对于作为分类器的随机森林：与NS相同。对于随机森林作为回归者：几乎是无用的，与NS相同，但不可能在输出时给出价格（因为森林不会推断），如果我们为这些目的给出增量，森林会混在3棵松树中，因为会有许多重叠的例子。 СанСаныч Фоменко 2018.01.06 09:26 #5499 马克西姆-德米特里耶夫斯基。关于如何为市场建立一个模型的一些观察/想法（来自经验）。对于神经网络分类器：类平衡是强制性的，2个或更多类的例子数量必须平衡。如果模型是在一个趋势段上训练的，就可以镜像信号并增加相反的例子。在 这种情况下，信号必须与目标信号不相关，这是可以理解的。正好相反的意见。我有证据，一直到工作上的真实。有一点我很清楚，在咖啡渣和土星环上建立分类是不可能的，绝不可能--这就是萨满教。只有当你清除了输入的预测因子的噪音，只留下那些与目标变量相关的预测因子时，样本外模型才能得到与样本内大致相同的结果。此外，我有一个清理噪音的算法，其余预测器的计算结果给出了边际误差，将对这组预测器进行分类。 [删除] 2018.01.06 09:30 #5500 桑桑尼茨-弗门科。 事实恰恰相反。我有证据，就在现实世界的工作中。对我来说，有一点很清楚，基于咖啡渣和土星环的分类，永远不可能由萨满教来完成。只有当你清除了输入的预测因子的噪音，只留下那些与目标变量相关的预测因子时，样本外模型才能得到与样本内大致相同的结果。此外，我有一个清理噪音的算法，剩下的预测器的计算结果给出了该组预测器的分类的边际误差。这个问题对我来说并不明显，如果我们得到一个非线性分类器......什么应该与什么相关？)如果我们有分类特征，那么回归就完全不起作用，但分类却可以。但对于回归来说，它是合理的 1...543544545546547548549550551552553554555556557...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
嗯，是的，这些不是现成的计量经济学模型，而只是一套对所有领域都通用的工具。
非参数计量经济学 只是关于IR和模糊逻辑，但我还没有看到任何连贯的东西，也许是因为没有研究出一般的方法。我不知道它是如何运作的 :)
我很害怕可能发生的事情，马克西姆，但在我看来--神经网络并不适用我在文章中读到的方式。你正在处理价格本身，尽管将其归一化，而你应该处理价格的概率密度。这里存在着与海森堡不确定性原理的不可消除的矛盾。但是，我不会干涉--它仍然是有趣的。
你不干涉，写你想写的东西--这是一个公共论坛。对你的分配也是如此，我们会得到的，不是一下子就能得到的，只要有一些 "不可描述 "的想法 :D
我进入舞蹈只是因为我必须通过Python或R来获得LR和RF的功能的重要性，然后我得意忘形，开始进一步探索
我在NS中有一个机器人，考虑到市场的变化，我必须定期为其提供 "良好的功能"，但除此之外，它运行良好。
你不干涉，写你想写的东西--这是一个公共论坛。对你的分配，我们也会得到，不是一下子就能得到的，只要有一些 "不可描述 "的想法 :D
我进入舞蹈只是因为我必须通过Python或R来获得LR和RF的功能的重要性，然后我得意忘形，开始进一步探索
如果我有一个机器人在NS，我应该定期给它提供自动的 "好迹象"，考虑到不断变化的市场，但除此之外，它工作得很好。
马克西姆，你的专家顾问怎么了？你在哪里可以找到这些测试？
https://github.com/RandomKori/Py36MT5 这里是MT5的Python库的来源。唯一的问题是关于数组。传递数组或接收数组都不能正确工作。我在Visual Studio中调试了DLL代码。那里的一切都很好。问题是，这可能是一个终端错误。我还没有写如何与图书馆合作。这里面没有任何意义。没有数组就没有人需要它。虽然可能在pythom.mqh文件中搞砸了，但帮我弄清楚。它将对每个人都有用处。
真正的数组可以正常工作。阵列长阵列不起作用。
替换了内部的长。现在一切都正常了。该图书馆可以使用。只写关于使用的评论。
马克西姆，你的EA是怎么了？我在哪里可以看到这些测试，还是所有的东西都是机密？
我正在变得越来越好......但很慢，因为这个问题很复杂。
关于如何为市场建立一个模型的一些观察/想法（来自经验）。
对于神经网络分类器：类平衡是强制性的，2个或更多类的例子数量必须平衡。如果模型是在一个趋势段上训练的，就可以镜像信号并增加相反的例子。同时，标志必须与目标不相关，这一点很清楚。
对于神经网络回归者：至少有一个指标必须与目标强烈 相关，特别是当模型在输出价格上训练时。如果不这样做，那么回归因子就会在树中迷失，如果样本中包含重复或类似的例子，但输出价格不同，就无法正确预测价格。为此，除了其他特征外，你可以提供具有大滞后（超过50）的归一化增量。 训练的样本越大，需要更大的滞后来排除重复的变体。最好还能提供几个这样的系列，其增量相互移位，那么每个单独的案例几乎都能得到明确的解释。
对于作为分类器的随机森林：与NS相同。
对于随机森林作为回归者：几乎是无用的，与NS相同，但不可能在输出时给出价格（因为森林不会推断），如果我们为这些目的给出增量，森林会混在3棵松树中，因为会有许多重叠的例子。
关于如何为市场建立一个模型的一些观察/想法（来自经验）。
对于神经网络分类器：类平衡是强制性的，2个或更多类的例子数量必须平衡。如果模型是在一个趋势段上训练的，就可以镜像信号并增加相反的例子。在 这种情况下，信号必须与目标信号不相关，这是可以理解的。
正好相反的意见。我有证据，一直到工作上的真实。有一点我很清楚，在咖啡渣和土星环上建立分类是不可能的，绝不可能--这就是萨满教。只有当你清除了输入的预测因子的噪音，只留下那些与目标变量相关的预测因子时，样本外模型才能得到与样本内大致相同的结果。此外，我有一个清理噪音的算法，其余预测器的计算结果给出了边际误差，将对这组预测器进行分类。
事实恰恰相反。我有证据，就在现实世界的工作中。对我来说，有一点很清楚，基于咖啡渣和土星环的分类，永远不可能由萨满教来完成。只有当你清除了输入的预测因子的噪音，只留下那些与目标变量相关的预测因子时，样本外模型才能得到与样本内大致相同的结果。此外，我有一个清理噪音的算法，剩下的预测器的计算结果给出了该组预测器的分类的边际误差。
这个问题对我来说并不明显，如果我们得到一个非线性分类器......什么应该与什么相关？)如果我们有分类特征，那么回归就完全不起作用，但分类却可以。
但对于回归来说，它是合理的