交易中的机器学习：理论、模型、实践和算法交易 - 页 741 1...734735736737738739740741742743744745746747748...3399 新评论 Aleksey Vyazmikin 2018.03.13 14:54 #7401 Mihail Marchukajtes:只是你的问题是在初学者的水平上.....。 这么多的人都在生气。我是说我...麋鹿，两星期以来的第一次...但我并不气馁，继续在TS上努力。当然，我没有经验，所以我很好奇地问我不明白的地方。 Mihail Marchukajtes 2018.03.13 15:02 #7402 Aleksey Vyazmikin: 当然，我没有经验，这就是为什么我有兴趣问我不明白的地方。试着自己去了解神经网络 技术和机器学习。然后，我们将讨论... Aleksey Vyazmikin 2018.03.13 16:01 #7403 Mihail Marchukajtes:试着自己去了解神经网络技术和机器学习。然后我们再谈...在这个问题上，我可以使用一个老师和导师...... СанСаныч Фоменко 2018.03.13 16:02 #7404 我不 知道。因为变化很小，如果在30个lern观察和30个测试中，你得到90%的准确率，那么如果没有选择，你可以冒险，但市场上>95%的是噪音，所以你需要数千倍的点来得到至少与误差模数相当的预测结果。 PS：中心极限定理是统计学及其后代MO的基础，它就像力学中的F=ma，你对它太不尊重了......你在哪里看到这个关于非稳态随机变量的极限定理的执行？ [删除] 2018.03.13 17:07 #7405 找不到工作？把你的时间乘以你的力量!(一个通用的提示集合。) ;))))) СанСаныч Фоменко 2018.03.13 18:53 #7406 我不 确定。这里有另一个关于 "非平稳性问题 "的异端... 当被波动率拉直时，回报率是静止的，几乎是高斯的，这就是所需要的，不静止的价格本身并不参与计算。研究GARCH，不要在这里再发表关于 "非平稳性问题 "的邪说...用于退货。有数以百计的GARCH模型试图说明回报率非平稳性的细微差别，尽管所有这些人都没有这种气魄。 revers45 2018.03.13 19:23 #7407 SanSanych Fomenko: ... 为什么？ 因为当一种药物在理论上被创造出来的时候，大量的精力都花在论证药物对疾病的影响上。 唯一使我们不同的是，我们把所有东西都放在一起。看看这个主题：99%是关于透镜的，几乎没有关于数据挖掘的。 那你在哪里看到过这里的制药商？只有消费者，你已经停止服用随机森林，现在你喝arcch garch - 病人，虽然... Dr. Trader 2018.03.14 04:34 #7408 我试图研究它，我甚至重新开始过几次。但每次我都会遇到一堵难以逾越的统计学和计量经济学 术语的墙，因此一直没有着手去做。 但我还是明白了一些重要的事情。Arima和Garch花了很多时间对时间序列的内部状态进行建模，然后从中得出价格。也就是说，世界上有几十个全球进程在进行，而价格是它们的一些组合。因此，与其对时间序列本身进行建模，不如尝试对这些隐藏的过程进行建模，并对这些过程的互动进行建模，以获得我们需要的时间序列。 Garch和Arim对这些隐藏的过程有一些内在的想法（季节性、趋势等），但他们仅限于几十年前投入这些模型的公式。我们可以尝试创建自己的指标，来描述这些内部市场情况，而且比起garch，限制更少。但也很容易出错，这也是一项非常复杂的任务。 sibirqk 2018.03.14 05:22 #7409 价格不是固定的。 当被波动率拉直时，回报率是静止的，几乎是高斯的，这就是所需要的，不静止的价格本身不参与计算。 你是在历史上还是在一个新的刻度线到来时拉直波动率？ 很明显，通过转移，例如，一个muv向后移动半个时期，并从基本报价中扣除，你可以得到几乎是高斯的剩余物。但是为了知道在最有趣的地方--右边缘的波动是怎么回事，我们应该知道未来一半的muv期。我们在哪里可以得到它们？ СанСаныч Фоменко 2018.03.14 07:20 #7410 交易员博士。我试图研究它，我甚至重新开始过几次。但每次我都会遇到一堵难以逾越的统计学和计量经济学 术语的墙，所以一直没有去研究它。 但我还是明白了一些重要的事情。Arima和Garch花了很多时间对时间序列的内部状态进行建模，然后从中得出价格。也就是说，世界上有几十个全球进程在进行，而价格是它们的一些组合。因此，与其对时间序列本身进行建模，不如尝试对这些隐藏的过程进行建模，并对这些过程的互动进行建模，以获得我们需要的时间序列。 Garch和Arim对这些隐藏的过程有一些内在的想法（季节性、趋势等），但他们仅限于几十年前投入这些模型的公式。我们可以尝试创建自己的指标，来描述这些内部市场情况，而且比起garch，限制更少。但也很容易犯错，这是一个非常困难的任务。GARCH和MO不是竞争对手，它们完全是互补的，这也是我现在正在做的事情：尝试结合旧的MO--趋势，加入GARCH来确定进入点。我以前写过，我有一个EA，它在一年的交易中给了我所需要的资金量。它由射频和适应性的巫师（精炼的juriks）组成。但这种配对并没有解决非平稳性问题。 在全球范围内，我区分了两种类型的模式。 一个是考虑到时间序列的统计特征--这就是GARCH，一个极其发达的趋势，本质上是与协整一起的一般线。大量的出版物。例如，作为出版物水平的一个特点。对标准普尔500指数中的所有股票，即500只股票进行了不同的GARCH模型研究。我不知道在密苏里州有什么类似的事情。像老TA那样机械地寻找模式的分类。 这条线上的每个人都因为某种原因而紧紧抓住MO不放。根据什么？分类的基础是目标变量和其预测因素之间的某种关系。 好吧，首先，任何关于关系的猜测在这里都会立即被驳斥，因为它发生在相互的信息中 其次，谁证明了如果预测因素对目标变量存在这样的 影响，这种 影响 不会随着时间的推移而改变？我已经在真实交易专家顾问的基础上写过很多次，在事先找到的27个预测者中，他们在每个柱子上都会被选中，并留下5到15个，这个名单在27个预测者中不断变化。也就是说，预测因素对目标变量的影响量 在时间上发生了变化，而且变化 得相当快。 因此，专家顾问的想法是如下的。 使用分类法预测高位柱上的价格的未来方向。然后使用伪稳定时间序列，用GARCH预测适当的进入方向。 1...734735736737738739740741742743744745746747748...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
只是你的问题是在初学者的水平上.....。
这么多的人都在生气。我是说我...麋鹿，两星期以来的第一次...但我并不气馁，继续在TS上努力。
当然，我没有经验，所以我很好奇地问我不明白的地方。
当然，我没有经验，这就是为什么我有兴趣问我不明白的地方。
试着自己去了解神经网络 技术和机器学习。然后，我们将讨论...
试着自己去了解神经网络技术和机器学习。然后我们再谈...
在这个问题上，我可以使用一个老师和导师......
因为变化很小，如果在30个lern观察和30个测试中，你得到90%的准确率，那么如果没有选择，你可以冒险，但市场上>95%的是噪音，所以你需要数千倍的点来得到至少与误差模数相当的预测结果。
PS：中心极限定理是统计学及其后代MO的基础，它就像力学中的F=ma，你对它太不尊重了......
你在哪里看到这个关于非稳态随机变量的极限定理的执行？
找不到工作？把你的时间乘以你的力量!
(一个通用的提示集合。)
;)))))
这里有另一个关于 "非平稳性问题 "的异端...
当被波动率拉直时，回报率是静止的，几乎是高斯的，这就是所需要的，不静止的价格本身并不参与计算。
研究GARCH，不要在这里再发表关于 "非平稳性问题 "的邪说...用于退货。有数以百计的GARCH模型试图说明回报率非平稳性的细微差别，尽管所有这些人都没有这种气魄。
...
为什么？
因为当一种药物在理论上被创造出来的时候，大量的精力都花在论证药物对疾病的影响上。
唯一使我们不同的是，我们把所有东西都放在一起。看看这个主题：99%是关于透镜的，几乎没有关于数据挖掘的。
那你在哪里看到过这里的制药商？只有消费者，你已经停止服用随机森林，现在你喝arcch garch - 病人，虽然...
我试图研究它，我甚至重新开始过几次。但每次我都会遇到一堵难以逾越的统计学和计量经济学 术语的墙，因此一直没有着手去做。
但我还是明白了一些重要的事情。Arima和Garch花了很多时间对时间序列的内部状态进行建模，然后从中得出价格。也就是说，世界上有几十个全球进程在进行，而价格是它们的一些组合。因此，与其对时间序列本身进行建模，不如尝试对这些隐藏的过程进行建模，并对这些过程的互动进行建模，以获得我们需要的时间序列。
Garch和Arim对这些隐藏的过程有一些内在的想法（季节性、趋势等），但他们仅限于几十年前投入这些模型的公式。我们可以尝试创建自己的指标，来描述这些内部市场情况，而且比起garch，限制更少。但也很容易出错，这也是一项非常复杂的任务。
当被波动率拉直时，回报率是静止的，几乎是高斯的，这就是所需要的，不静止的价格本身不参与计算。
你是在历史上还是在一个新的刻度线到来时拉直波动率？ 很明显，通过转移，例如，一个muv向后移动半个时期，并从基本报价中扣除，你可以得到几乎是高斯的剩余物。但是为了知道在最有趣的地方--右边缘的波动是怎么回事，我们应该知道未来一半的muv期。我们在哪里可以得到它们？
我试图研究它，我甚至重新开始过几次。但每次我都会遇到一堵难以逾越的统计学和计量经济学 术语的墙，所以一直没有去研究它。
但我还是明白了一些重要的事情。Arima和Garch花了很多时间对时间序列的内部状态进行建模，然后从中得出价格。也就是说，世界上有几十个全球进程在进行，而价格是它们的一些组合。因此，与其对时间序列本身进行建模，不如尝试对这些隐藏的过程进行建模，并对这些过程的互动进行建模，以获得我们需要的时间序列。
Garch和Arim对这些隐藏的过程有一些内在的想法（季节性、趋势等），但他们仅限于几十年前投入这些模型的公式。我们可以尝试创建自己的指标，来描述这些内部市场情况，而且比起garch，限制更少。但也很容易犯错，这是一个非常困难的任务。
GARCH和MO不是竞争对手，它们完全是互补的，这也是我现在正在做的事情：尝试结合旧的MO--趋势，加入GARCH来确定进入点。我以前写过，我有一个EA，它在一年的交易中给了我所需要的资金量。它由射频和适应性的巫师（精炼的juriks）组成。但这种配对并没有解决非平稳性问题。
在全球范围内，我区分了两种类型的模式。
这条线上的每个人都因为某种原因而紧紧抓住MO不放。根据什么？分类的基础是目标变量和其预测因素之间的某种关系。
好吧，首先，任何关于关系的猜测在这里都会立即被驳斥，因为它发生在相互的信息中
其次，谁证明了如果预测因素对目标变量存在这样的 影响，这种 影响 不会随着时间的推移而改变？我已经在真实交易专家顾问的基础上写过很多次，在事先找到的27个预测者中，他们在每个柱子上都会被选中，并留下5到15个，这个名单在27个预测者中不断变化。也就是说，预测因素对目标变量的影响量 在时间上发生了变化，而且变化 得相当快。
因此，专家顾问的想法是如下的。