交易中的机器学习：理论、模型、实践和算法交易 - 页 691 1...684685686687688689690691692693694695696697698...3399 新评论 Mihail Marchukajtes 2018.02.18 08:54 #6901 马克西姆-德米特里耶夫斯基。但所有这些统计方法都与外汇无关 :) 只是为了绞尽脑汁这取决于一般情况下对市场采取什么办法。例如，在选择谓词和获得模型之后，我们可以对训练好的模型的结果应用同样的度量。而如果已经训练了几个模型，那么就用这些指标来选择合适的模型。在许多方面，这就是问题所在。在获得10个模型后，你需要选择一个在未来是最好的模型。而这可以通过构建VI或相同的脚手架来完成，但在模型的结果上获得....。IMHO Maxim Dmitrievsky 2018.02.18 09:04 #6902 Mihail Marchukajtes:这取决于对整个市场采取什么办法。例如，在选择预测因子和获得模型后，我们可以对训练好的模型的结果应用同样的指标。而如果已经训练了几个模型，那么就用这些指标来选择合适的模型。这是在许多方面的问题。在获得10个模型后，你需要选择一个在未来是最好的模型。而这可以通过构建VI或相同的脚手架来完成，但在模型的结果上获得....。IMHO我认为，在一个不断变化的市场中，它太耗费时间了......对我个人来说，比手工交易还要耗费时间。 如果我们谈论效率，这样的方法是没有效率的，效率很低。 我不关心为数据挖掘而数据挖掘的问题 СанСаныч Фоменко 2018.02.18 09:20 #6903 Mihail Marchukajtes: 令人心动的说!!!!在继续专题....如你所知，我开始扭曲R，并能够计算出每个输入和输出之间的最大VI，但即使如此，也足以将输入数据从110个减少到20-30个，输入数据仍然是具有最大输出信息的那些。结果，这些模型开始越来越成功地通过我自己的测试。让我们看看它在反馈循环上会如何。一个星期就可以看到。但在这里，我认为一个VI指标是不够的。我应该尝试计算冗余度，并尝试减少列的数量。也许已经有现成的函数，除了相互信息????，还可以估计输入数据的输出。是的，而且我在这个主题上不止一次地写过这个问题。 在没有机器学习模型 的情况下使用的预测器选择算法会有很好的结果，因为那些内置于算法中的预测器是该算法的一部分，只是告知预测器在该特定算法中是如何使用的，而不是它们对目标变量的重要性。 caret中的算法是非常有效的，有三个。一般来说，你应该采取这个包，因为它有一切：数据挖掘，这不仅是选择预测器，一堆模型，选择模型和它们的评估。无论如何，这个关怀可以作为 "发生什么 "的教科书来使用。 我曾经为自己做了一个回顾，可能会有帮助。 附加的文件： 6cnhh_flg1bj_w97vmencn1f.zip 44 kb Maxim Dmitrievsky 2018.02.18 09:30 #6904 桑桑尼茨-弗门科。全，这不是我第一次在这个话题上写这个问题。 不使用机器学习模型的预测器选择算法会有很好的结果，因为那些嵌入算法的预测器是该算法的一部分，只是告知预测器在该特定算法中是如何使用的，而不是它们对目标变量的重要性。 为自己做了一次回顾，可能会有帮助。如果你想一想？用这种方法，你将进入一个无休止的特征选择循环中 而你的例子中，大多数模型都是建立在树上的，Lolz :) Mihail Marchukajtes 2018.02.18 09:36 #6905 马克西姆-德米特里耶夫斯基。我认为，在一个不断变化的市场中，这太耗费时间了......对我个人来说，比手工交易还要耗费时间。 而且我对为数据挖掘而数据挖掘不感兴趣。如果你不考虑花费的计算能力，而是考虑为交易做准备的时间，那么你会得到相当有趣的画面。我做了以下工作。 星期六我花了4-8个小时（工作日）来创造一个模型，而不是一个；我把星期五作为一块OOS，以确定TS的工作状态。因此，周六我花在为下周做准备上。你说得很对，市场变化太快，因此在5年的时间框架内建立模型是愚蠢的。作为一项规则，如果TS的训练时间达到50%，那就是一个不错的结果。结果，意识到大型模型没有意义，因为它的训练质量会更差（训练期越长，模型越差），我选择了两周的训练期，所以TS至少能工作一周。结果我得到了大约10个模型，通过各种测试运行模型，现在各种度量衡....。我准确地选择那些通过这些测试的人，并将其全部放在万国邮联和......，直到下周六都是免费的。机器人独立工作，我只是控制它执行命令。所以.........留意它，以免它被卡住。我以前每天早上都要检查TS，并设置一个参数，但现在我已经摆脱了这个问题，根本不访问TSU，两三天才访问一次，即使如此，如果这段时间没有交易，但还是......去他妈的。因此，我估计我的工作不是从交易到交易，而是几个星期。我在一个星期内盈利或亏损，最主要的是要有更多的盈利周。但事实是。 我在周六花了5个小时来度过接下来的一周，双手插在裤管里，不考虑市场，教学生各种电脑技巧。坐下来做手工交易有一个缺点。你可以整天坐在显示器前，但却输钱，这不仅导致了金钱的损失，也导致了时间的损失。正如你所知，时间是一种不可再生的资源!!!!!。 如果我们交易机器人，那么我们应该尽量减少花在市场上的时间，这样，在市场失败的情况下，我们可以通过在真实部门（工作、车间等）赚取一些收入来避免它。 在一个不断变化的市场中，建立大模型是没有意义的。唯一的区别是，在训练结果方面，小模型通常更好，而且它的构建速度更快。 至于市场追随的适应性模型，当新的数据纠正了模型的结构，这样的模型也活不长。除非它是一个自我训练系统，在时间间隔内自动重新训练自己，选择自己等。这显然有智慧的味道，但我认为这仍然是一个漫长的过程。IMHO，自然!!!! Maxim Dmitrievsky 2018.02.18 09:44 #6906 Mihail Marchukajtes:如果我们谈论跟随市场的自适应模型，新的数据会调整模型本身的结构，这样的模型也不会持续太久。除非它是一个自学系统，能在间隔时间内自动重新训练自己，选择自己，等等。这显然有智慧的味道，但我认为这仍然是一个漫长的过程。IMHO，自然!!!!它已经存在了很长时间 :) 它在工作并不断地学习，然后其 "活动 "的结果被神经网络近似，然后这些估计以一定的概率被用于做出新的决定和随后的调整。 至少这个方法对外汇来说是比较合理的 大致说来，这样的系统不断地探究不同的状态，记住它所做过的事情，分析后果，并根据其经验做出决定......有些人忘记了，改进了......。它就像一个人工智能，几乎像一个真正的交易员一样进行交易 :) 这是真正的学习，而不是我们迄今为止所做的通常的近似。 Mihail Marchukajtes 2018.02.18 09:54 #6907 桑桑尼茨-弗门科。全，这不是我第一次在这个话题上写这个问题。 不使用机器学习模型的预测器选择算法会有很好的结果，因为那些嵌入算法的预测器是该算法的一部分，只是告知预测器在该特定算法中是如何使用的，而不是它们对目标变量的重要性。 caret中的算法是非常有效的，有三个。一般来说，你应该采取这个包，因为它有一切：数据挖掘，这不仅是选择预测器，一堆模型，选择模型和它们的评估。无论如何，这个关怀可以作为 "发生什么 "的教科书来使用。 为自己做了一次回顾，可能会有帮助。谢谢你!我已经安装了caret。我将会有一个机会。但有一天我在这里恍然大悟。我目前有大约110个输入，是我能制定和组装的最大限度。我很久以前就这样做了，三年或更久以前，我想，如果这些投入并不像我想的那么好，那会导致我产生恢复为我的TS!!!!寻找投入的想法。尤其是用统计指标来做这件事要容易得多。首先，我们把所有的东西都放在一般的堆里，然后根据这样或那样的标准，把它筛出来，只留下重要的东西。 我与KD公司的丹尼斯取得了联系，他有点答应帮我获得一些性质完全不同但与市场有关的更多数据。然而，我认为采取N条时期的数据是不正确的，因为在这种情况下，我们遵循时间尺度，而我们在价格尺度上挣钱。因此，应该用价格尺度（轮廓）而不是时间尺度来分析市场。丹尼斯答应帮助建造三角洲的轮廓等等。对于人工智能来说，这些数据比N条以上的Delta更有趣。此外，他还用中小企业的滚筒，所以我们可能会得到OM，这与体积一起将是GOGOYOYO!!!!!。当然OM不会使天气变好，但在TC的表现上增加5-10%不会有什么影响，因为有时正是这些百分比的缺失......。 СанСаныч Фоменко 2018.02.18 09:57 #6908 马克西姆-德米特里耶夫斯基。如果你考虑一下呢？用这种方法，你将进入一个无休止的特征选择循环中 并放弃了大多数模型都建立在树上的例子，lolz :)我不需要思考--对我来说，这是一个通过的阶段，有相当大的实验结果档案。 我将重复我写过很多次的内容。 1.目标ZZ 2.我已经为这个目标发明了大约200个预测器 3.根据 "对目标的影响 "算法，200个预测器中有27个预测器 4.我从每个条形图上的27个预测器中选择预测器，并将所选预测器的数量从6-7个改为27个中的15个。 5.拟合rf。拟合误差略低于30%。 没有无限的循环。30%是一个非常好的结果，但在理论上。我还没有设法用这个结果建立一个实用的专家顾问，我不得不添加趋势指标。目前，我正在改变GARCH的指标。 Mihail Marchukajtes 2018.02.18 09:58 #6909 马克西姆-德米特里耶夫斯基。它已经存在了很长时间:)它工作并不断学习，然后 "活动 "的结果被神经网络近似，然后这些估计以一定的概率被用来做出新的决定和随后的调整。 至少这个方法对外汇来说是比较合理的 粗略地说，这样的系统不断地在不同的状态下探究，记住它所做过的事情，分析后果，并根据它的经验做出决定......有些人忘记了，它变得更好......它就像一个人工智能，几乎像一个真正的交易员一样进行交易 :)这是第一个选择，第二个选择是在相对较短的时间内建立不适应的小模型。可以说，是在抢夺市场。来了之后进行了优化，从平民手中拿走了几笔好买卖，然后就离开了，直到下一次....。 Vladimir Perervenko 2018.02.18 10:00 #6910 预测器可以被选择，可以被提取，可以被创建。然而，请记住，除了所谓的 "噪音 "预测器之外，还有一些 "噪音 "例子也需要被重新划分或删除。你可以阅读这一切，并在文章中重复这些例子 深度神经网络（第三部分）。选择实例和降维 深度神经网络（第二部分）。预测器的开发和选择 深度神经网络（第一部分）。数据准备 机器学习模型的评估和变量的选择 祝好运 1...684685686687688689690691692693694695696697698...3399 新评论 原因: 取消 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
但所有这些统计方法都与外汇无关 :)
只是为了绞尽脑汁这取决于一般情况下对市场采取什么办法。例如，在选择谓词和获得模型之后，我们可以对训练好的模型的结果应用同样的度量。而如果已经训练了几个模型，那么就用这些指标来选择合适的模型。在许多方面，这就是问题所在。在获得10个模型后，你需要选择一个在未来是最好的模型。而这可以通过构建VI或相同的脚手架来完成，但在模型的结果上获得....。IMHO
这取决于对整个市场采取什么办法。例如，在选择预测因子和获得模型后，我们可以对训练好的模型的结果应用同样的指标。而如果已经训练了几个模型，那么就用这些指标来选择合适的模型。这是在许多方面的问题。在获得10个模型后，你需要选择一个在未来是最好的模型。而这可以通过构建VI或相同的脚手架来完成，但在模型的结果上获得....。IMHO
我认为，在一个不断变化的市场中，它太耗费时间了......对我个人来说，比手工交易还要耗费时间。
如果我们谈论效率，这样的方法是没有效率的，效率很低。
我不关心为数据挖掘而数据挖掘的问题
令人心动的说!!!!在继续专题....如你所知，我开始扭曲R，并能够计算出每个输入和输出之间的最大VI，但即使如此，也足以将输入数据从110个减少到20-30个，输入数据仍然是具有最大输出信息的那些。结果，这些模型开始越来越成功地通过我自己的测试。让我们看看它在反馈循环上会如何。一个星期就可以看到。
但在这里，我认为一个VI指标是不够的。我应该尝试计算冗余度，并尝试减少列的数量。
也许已经有现成的函数，除了相互信息????，还可以估计输入数据的输出。
是的，而且我在这个主题上不止一次地写过这个问题。
在没有机器学习模型 的情况下使用的预测器选择算法会有很好的结果，因为那些内置于算法中的预测器是该算法的一部分，只是告知预测器在该特定算法中是如何使用的，而不是它们对目标变量的重要性。
caret中的算法是非常有效的，有三个。一般来说，你应该采取这个包，因为它有一切：数据挖掘，这不仅是选择预测器，一堆模型，选择模型和它们的评估。无论如何，这个关怀可以作为 "发生什么 "的教科书来使用。
我曾经为自己做了一个回顾，可能会有帮助。
全，这不是我第一次在这个话题上写这个问题。
不使用机器学习模型的预测器选择算法会有很好的结果，因为那些嵌入算法的预测器是该算法的一部分，只是告知预测器在该特定算法中是如何使用的，而不是它们对目标变量的重要性。
为自己做了一次回顾，可能会有帮助。
如果你想一想？用这种方法，你将进入一个无休止的特征选择循环中
而你的例子中，大多数模型都是建立在树上的，Lolz :)
我认为，在一个不断变化的市场中，这太耗费时间了......对我个人来说，比手工交易还要耗费时间。
而且我对为数据挖掘而数据挖掘不感兴趣。
如果你不考虑花费的计算能力，而是考虑为交易做准备的时间，那么你会得到相当有趣的画面。我做了以下工作。
星期六我花了4-8个小时（工作日）来创造一个模型，而不是一个；我把星期五作为一块OOS，以确定TS的工作状态。因此，周六我花在为下周做准备上。你说得很对，市场变化太快，因此在5年的时间框架内建立模型是愚蠢的。作为一项规则，如果TS的训练时间达到50%，那就是一个不错的结果。结果，意识到大型模型没有意义，因为它的训练质量会更差（训练期越长，模型越差），我选择了两周的训练期，所以TS至少能工作一周。结果我得到了大约10个模型，通过各种测试运行模型，现在各种度量衡....。我准确地选择那些通过这些测试的人，并将其全部放在万国邮联和......，直到下周六都是免费的。机器人独立工作，我只是控制它执行命令。所以.........留意它，以免它被卡住。我以前每天早上都要检查TS，并设置一个参数，但现在我已经摆脱了这个问题，根本不访问TSU，两三天才访问一次，即使如此，如果这段时间没有交易，但还是......去他妈的。因此，我估计我的工作不是从交易到交易，而是几个星期。我在一个星期内盈利或亏损，最主要的是要有更多的盈利周。但事实是。
我在周六花了5个小时来度过接下来的一周，双手插在裤管里，不考虑市场，教学生各种电脑技巧。坐下来做手工交易有一个缺点。你可以整天坐在显示器前，但却输钱，这不仅导致了金钱的损失，也导致了时间的损失。正如你所知，时间是一种不可再生的资源!!!!!。
如果我们交易机器人，那么我们应该尽量减少花在市场上的时间，这样，在市场失败的情况下，我们可以通过在真实部门（工作、车间等）赚取一些收入来避免它。
在一个不断变化的市场中，建立大模型是没有意义的。唯一的区别是，在训练结果方面，小模型通常更好，而且它的构建速度更快。
至于市场追随的适应性模型，当新的数据纠正了模型的结构，这样的模型也活不长。除非它是一个自我训练系统，在时间间隔内自动重新训练自己，选择自己等。这显然有智慧的味道，但我认为这仍然是一个漫长的过程。IMHO，自然!!!!
如果我们谈论跟随市场的自适应模型，新的数据会调整模型本身的结构，这样的模型也不会持续太久。除非它是一个自学系统，能在间隔时间内自动重新训练自己，选择自己，等等。这显然有智慧的味道，但我认为这仍然是一个漫长的过程。IMHO，自然!!!!
它已经存在了很长时间 :) 它在工作并不断地学习，然后其 "活动 "的结果被神经网络近似，然后这些估计以一定的概率被用于做出新的决定和随后的调整。
至少这个方法对外汇来说是比较合理的
大致说来，这样的系统不断地探究不同的状态，记住它所做过的事情，分析后果，并根据其经验做出决定......有些人忘记了，改进了......。它就像一个人工智能，几乎像一个真正的交易员一样进行交易 :) 这是真正的学习，而不是我们迄今为止所做的通常的近似。全，这不是我第一次在这个话题上写这个问题。
不使用机器学习模型的预测器选择算法会有很好的结果，因为那些嵌入算法的预测器是该算法的一部分，只是告知预测器在该特定算法中是如何使用的，而不是它们对目标变量的重要性。
caret中的算法是非常有效的，有三个。一般来说，你应该采取这个包，因为它有一切：数据挖掘，这不仅是选择预测器，一堆模型，选择模型和它们的评估。无论如何，这个关怀可以作为 "发生什么 "的教科书来使用。
为自己做了一次回顾，可能会有帮助。
谢谢你!我已经安装了caret。我将会有一个机会。但有一天我在这里恍然大悟。我目前有大约110个输入，是我能制定和组装的最大限度。我很久以前就这样做了，三年或更久以前，我想，如果这些投入并不像我想的那么好，那会导致我产生恢复为我的TS!!!!寻找投入的想法。尤其是用统计指标来做这件事要容易得多。首先，我们把所有的东西都放在一般的堆里，然后根据这样或那样的标准，把它筛出来，只留下重要的东西。
我与KD公司的丹尼斯取得了联系，他有点答应帮我获得一些性质完全不同但与市场有关的更多数据。然而，我认为采取N条时期的数据是不正确的，因为在这种情况下，我们遵循时间尺度，而我们在价格尺度上挣钱。因此，应该用价格尺度（轮廓）而不是时间尺度来分析市场。丹尼斯答应帮助建造三角洲的轮廓等等。对于人工智能来说，这些数据比N条以上的Delta更有趣。此外，他还用中小企业的滚筒，所以我们可能会得到OM，这与体积一起将是GOGOYOYO!!!!!。当然OM不会使天气变好，但在TC的表现上增加5-10%不会有什么影响，因为有时正是这些百分比的缺失......。
如果你考虑一下呢？用这种方法，你将进入一个无休止的特征选择循环中
并放弃了大多数模型都建立在树上的例子，lolz :)
我不需要思考--对我来说，这是一个通过的阶段，有相当大的实验结果档案。
我将重复我写过很多次的内容。
1.目标ZZ
2.我已经为这个目标发明了大约200个预测器
3.根据 "对目标的影响 "算法，200个预测器中有27个预测器
4.我从每个条形图上的27个预测器中选择预测器，并将所选预测器的数量从6-7个改为27个中的15个。
5.拟合rf。拟合误差略低于30%。
没有无限的循环。30%是一个非常好的结果，但在理论上。我还没有设法用这个结果建立一个实用的专家顾问，我不得不添加趋势指标。目前，我正在改变GARCH的指标。
它已经存在了很长时间:)它工作并不断学习，然后 "活动 "的结果被神经网络近似，然后这些估计以一定的概率被用来做出新的决定和随后的调整。
至少这个方法对外汇来说是比较合理的
粗略地说，这样的系统不断地在不同的状态下探究，记住它所做过的事情，分析后果，并根据它的经验做出决定......有些人忘记了，它变得更好......它就像一个人工智能，几乎像一个真正的交易员一样进行交易 :)这是第一个选择，第二个选择是在相对较短的时间内建立不适应的小模型。可以说，是在抢夺市场。来了之后进行了优化，从平民手中拿走了几笔好买卖，然后就离开了，直到下一次....。
预测器可以被选择，可以被提取，可以被创建。然而，请记住，除了所谓的 "噪音 "预测器之外，还有一些 "噪音 "例子也需要被重新划分或删除。你可以阅读这一切，并在文章中重复这些例子
深度神经网络（第三部分）。选择实例和降维
深度神经网络（第二部分）。预测器的开发和选择
深度神经网络（第一部分）。数据准备
机器学习模型的评估和变量的选择
祝好运