交易中的机器学习：理论、模型、实践和算法交易 - 页 686

新评论
 
elibrarius。

可能是明智的...

但我们被告知一切都在大学里得到了证明和证实，而且我们也在实验室里做了实验。也没有人告诉我们 "把它当作真理，这不需要证明。

我同意）但我认为他在其他主题中已经涵盖了整个理论，你只需要重新阅读所有的内容。

对我个人来说，论坛是一种非常糟糕的交流方式......有很多信息，90%的信息被遗忘，其余的被跳过或误读......因此，参与者之间有轻微的误解。

 
马克西姆-德米特里耶夫斯基。

我同意这一点 )，但他似乎在其他主题中描述了理论，你只需要重新阅读所有的内容。

对我来说，论坛是一种非常糟糕的交流方式......太多的信息，90%的信息被遗忘，剩下的被遗漏或误读......因此，参与者之间会有一丝误解。

我没有压缩/解压缩，但我需要更多时间)。这是不需要回报的。
你需要把重要的事情写进博客或文章（但必须接受），写博客比较容易。否则，你就会忘记你想说的和别人的一切，你也会随着时间的推移忘记自己的想法。然后把博客的链接扔到论坛上讨论......。
 
阿列克谢-特伦特夫。

目前，有一个稳定的模式。仍需努力，但忙于其他任务。

输入=价格+13，26耶马。

预处理，输出 = sigmoid (max, min, close), delta (open-close), derivative (max, min, close), logarithm of derivative (max, min, close), detrend (close-eme13, close-eme26), yema（13, 26）, derivative yema（13, 26）; 将数据集转换成数据集时间序列（1蜡烛+5最后）。总共16 x 6 = 96个参数。

建筑。
BatchNormalization（96）。
GRU(96, L2, Dropout=0.5, 'elu')。
GRU(64, L2, Dropout=0.5, 'elu')。
BatchNormalization(64, Dropout=0.3)。
Dense(32, Dropout=0.3, 'elu')。
Dense(16, 'elu')。
Dense(8, 'elu')。
Dense(3, 'softmax')。
优化器=Nadam。
损失=分类交叉熵。

BouncedMA信号退出前方的蜡烛（在分支的上方）。

估计：损失~0.7-0.8；精确度~0.55。
但对模型的这种估计并不能说明其信号的质量。它们更低，由于信号是训练=1.0, 0.95, 0.0, -0.95, -1.0, 而买/卖类预测波动~abs(0.45, 0.7)。
另外，在5000行的数据集中，训练运行在0.8部分，这意味着模型甚至没有看到最新的报价数据（约1000行）。预测是根据最后100个蜡烛图进行的。

正如你所看到的，训练可以在~45 epochs时停止。


代码，指示器。

这个主题的帖子应该是这样的。可重复的数据、代码和结果。可以对此进行讨论、补充和比较。其他的都是没有价值的废话。

做得好。我稍后会在R/MT中展示同样的模型，我们会同时比较代码量和质量。我现在也很忙。但一定会再来讨论这个话题。

祝好运

 
亚历山大_K2。

再一次。

对于预测来说，了解预测值的分布规律是极其、极其重要的。

你不知道他们的价格，也不知道增量，更不知道报价之间的时间。此外，你甚至不试图把它们装入一种形式或另一种形式。那么，你怎么能预测呢？这些臭名昭著的蜱虫档案已经被十亿个交易员翻遍了。结果=0。

我只做了一点这方面的工作，每周都是黑色的。昨天我几乎是抓着圣杯的耳朵（结果是我的薛定谔的猫......）。

亚历山大！你说的应该是博客或文章，论坛失去了它的主题......考虑一下，也许主要的想法可以放在博客里，至少是抽象的形式，并链接到它，以保持时间轴......这应该不会花太多时间

 

我请这位大写字母的人不要偷懒，按顺序介绍他的NS模型。

1.输入 - 递增，无论它们之间的时间是多少

2.输入--以指数 时间间隔的方式递增。

3. 对于不同的样品量

将其正式化为一篇文章（并非一无是处）。

 
马克西姆-德米特里耶夫斯基。

亚历山大！你的论点值得写成博客或文章，这个主题在论坛上已经失去了意义......考虑一下，也许可以把主要观点写成博客，至少是抽象的，并给出一个链接，以保持时间顺序......应该不会花太多时间

是的，是的，我正在思考这篇文章，但我仍然没有时间。

 
亚历山大_K2。

1.输入--增量，不管它们之间的时间是多少

for(int i=start;i<rates_total;i++) 
    {
     Buffer1[i]=close[i]/close[i-1];
     Buffer2[i]=close[i]/close[i-3];
     Buffer3[i]=close[i]/close[i-7];
     Buffer4[i]=close[i]/close[i-20];
     Buffer5[i]=close[i]/close[i-53];
     Buffer6[i]=close[i]/close[i-143];
     Buffer7[i]=close[i]/close[i-387];
     Buffer8[i]=close[i]/close[i-1046];
    }
以这种形式喂养可以吗？ 还是需要有区别？
 
Maxim Dmitrievsky:
以这种形式喂养可以吗？

我有一个指数型 数字发生器，可以设定读取报价的时间

 
亚历山大_K2。

我有一个指数型数字发生器，可以设定读取报价的时间

这里也是如此，但数据是从任何TF中提取的，而不是按ticks。 也许ticks没有意义？

 
马克西姆-德米特里耶夫斯基。

这里的情况完全一样，只是数据取自一个任意的TF，而不是通过ticks......也许ticks没有意义？ 因为在任何规模下，都应该得出相同的分布。

也许不是。我已经习惯了他们的简单。

重要的是，文章有一个方法论，这样就可以追踪到一段时间内的实验线索。而且这件事不会丢失--它将成为可以讨论的东西，并作为一种记忆留下来。

1...679680681682683684685686687688689690691692693...3399
新评论
原因: