文章 "机器学习和交易中的元模型：交易订单的原始时序" 新评论 MetaQuotes 2022.09.14 07:21 新文章 机器学习和交易中的元模型：交易订单的原始时序已发布： 机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。 首先，我需要画个小重点。 由于研究人员在开发交易系统（包括应用机器学习的系统）时所作所为的不确定性，因此不可能严格正规化搜索对象。 它可以定义为多维空间中的一些或多或少稳定的依赖关系，这些依赖关系很难用人类甚或数学语言来解释。 我们从高度参数化的自我训练系统中，很难进行详细的分析。 这种算法需要交易者基于回测的结果给予一定程度的信任，但它们并没有阐明所发现形态的精髓，甚至是本质。 我打算编写一个算法，能够自行分析和校正错误，迭代改进结果。 为此，我提议采用一组两个分类器，并按照下图所示顺序对它们进行训练。 下面提供了该思路的详细描述。 每个分类器都基于自己的数据集合训练，数据集合有自己的大小。 蓝色水平线表示元模型的条件历史深度，橙色线代表基准模型。 换句话说，元模型的历史深度始终大于基准模型，并且等于评估（测试）时间间隔，在该时间间隔上测试这些模型的组合。 作者：Maxim Dmitrievsky 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
新文章 机器学习和交易中的元模型：交易订单的原始时序已发布：
机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。
首先，我需要画个小重点。 由于研究人员在开发交易系统（包括应用机器学习的系统）时所作所为的不确定性，因此不可能严格正规化搜索对象。 它可以定义为多维空间中的一些或多或少稳定的依赖关系，这些依赖关系很难用人类甚或数学语言来解释。 我们从高度参数化的自我训练系统中，很难进行详细的分析。 这种算法需要交易者基于回测的结果给予一定程度的信任，但它们并没有阐明所发现形态的精髓，甚至是本质。
我打算编写一个算法，能够自行分析和校正错误，迭代改进结果。 为此，我提议采用一组两个分类器，并按照下图所示顺序对它们进行训练。 下面提供了该思路的详细描述。
每个分类器都基于自己的数据集合训练，数据集合有自己的大小。 蓝色水平线表示元模型的条件历史深度，橙色线代表基准模型。 换句话说，元模型的历史深度始终大于基准模型，并且等于评估（测试）时间间隔，在该时间间隔上测试这些模型的组合。
作者：Maxim Dmitrievsky