混乱中有规律可循吗？让我们试着找出它！以特定样本为例进行机器学习。 - 页 28 1...212223242526272829303132 新评论 Aleksey Vyazmikin 2023.03.25 19:35 #271 RomFil #:我添加了一列：1 "买入，"-1 "卖出。我想我做对了，但我没有检查......:)懒惰。在没有点差和佣金的图表上，结果是这样的，单位是点：结果：PR=157488 +trades=778 -trades=18 （利润，正交易和负交易数量）点差 0.00050：结果： PR=117688 + 成交=629 - 成交=167价差为 0.00100： PR=77888 +trades=427 -trades=369价差为 200：PR=-1712 +trades=241 -trades=555 恭喜您的超级震荡器！ 考虑到 Target_P（排除方向不一致的信号），我也得到了这样的结果 - 我对一开始的波动和随后的快速增长感到困惑。 如果你的代码没有错误，你就可以认为自己是百万富翁了！ 能告诉我秘诀是什么吗？我的理解是，这本质上是你以某种方式将一个多项式推向了振荡器的极限。 RomFil 2023.03.25 20:03 #272 Aleksey Vyazmikin #:祝贺你的超级振荡器在考虑 Target_P 的情况下，我也得到了这样的结果（排除了方向不一致的信号）--不过，令人困惑的是，它在开始时波动很大，然后又迅速增长。如果你的代码没有错误，你就可以认为自己是百万富翁了！能告诉我秘诀是什么吗？我的理解是，这本质上是一个多项式，你以某种方式将其驱动到振荡器的极限。 几乎没有什么秘密。我已经把上面的都告诉你了没有多项式 我给你一些提示： 1) 目标。它应该由自己决定，也就是说，你应该以这样一种方式过滤数据，即在强劲和平缓的走势中都能获得最大的潜在利润。我曾经使用 Dobeshi 小波进行序列分解，我甚至可以说它是最正确的变体（不过现在我找到了一种资源消耗较少的变体）。滤波最重要的一点是不要 "临时抱佛脚"，至少要排除样本轨迹边缘 10-20% 的数据。有必要去除边缘数据以排除边缘效应。 2) 振荡器。这可能是最简单的一种方法。例如，已被遗忘的 RVI ...:)只需选择合适的周期即可。 3) 但最重要的是 "正确的 "神经网络及其应用算法...:)包括对神经网络结果的正确解释。 代码中的错误可能只出现在信号出现的时间上（虽然我已经检查了 8 次，没有发现任何错误），但即使信号出现的时间向右移动（即人为地使信号延迟 1-2 步），也会有收益 - 当然比初始收益少，但第一个帖子中的初始条件很大。 Aleksey Vyazmikin 2023.03.25 20:11 #273 RomFil #:几乎没有什么秘密上面我都说了没有多项式我会写一系列的提示：1) 目标。目标应由自身决定，即应过滤数据，以便在强势和平缓走势中都能获得最大的潜在利润。我曾经使用 Dobeshi 小波进行序列分解，我甚至可以说它是最正确的变体（不过现在我找到了一种资源消耗较少的变体）。滤波最重要的一点是不要 "临时抱佛脚"，至少要排除样本轨迹边缘 10-20% 的数据。要排除边缘效应，就必须去除边缘数据。2) 振荡器。这可能是最简单的一种方法。例如，已被遗忘的 RVI ...:)只需选择合适的周期。3) 但最重要的是 "正确的 "神经网络及其应用算法...:)包括对神经网络结果的正确解释。代码中的错误可能只出现在信号出现的时间上（虽然我已经检查了八次，没有发现任何错误），但即使将信号出现的时间向右移动（即人为地将信号延迟 1-2 步），也会有收益 - 当然比初始收益要少，但第一个帖子中的初始条件很大。 第一个提示--与我的数据有关，所以暂时跳过。 第二个提示--我想知道--你使用了样本列车吗？ 第三个提示--这里我不明白--为什么要有这么多神经网络？你向输入端输入了什么？ RomFil 2023.03.25 20:26 #274 Aleksey Vyazmikin #:第一条提示是关于我的数据，所以我们暂时跳过它。第二个提示--不知道你有没有采样？第三个提示--这里我不明白--为什么有这么多神经网络？你的输入是什么，回报还是什么？ 2) 是的，只有训练样本被过度捕捞，因为我们认为训练样本和测试样本是同一个过程的结果。如果过程不同，自然什么也得不到。 3) 这很简单。你学过遗传学吗？ 例如，当遗传学求解一个有十个变量的方程时，不同的变量可以得到相同的结果（非常接近）。神经网络也是如此。在相同样本上创建并训练两个神经网络，然后看看这些网络的误差及其权重系数。它们会有所不同！ 此外，对于图形的不同部分，神经网络的输入需要不同深度的样本。也就是说，不同采样深度的神经网络对图的不同部分具有不同的准确性。因此，"正确的 "委员会可以对整个采样长度做出正确的反应。尤其是这个委员会本身决定了这种正确性。或许，这已经是人工智能的雏形了......:) Aleksey Vyazmikin 2023.03.25 20:36 #275 RomFil #:3) 这很简单。你做过遗传学研究吗？ 因此，当遗传学解决一个有十个变量的方程时，例如，不同的变量可以得到相同的结果（非常接近）。神经网络也是如此。在相同的样本上创建并训练两个神经网络，然后看看这些网络的误差及其权重系数。它们会有所不同！ 此外，对于图形的不同部分，神经网络的输入需要不同深度的样本。也就是说，不同采样深度的神经网络对图形的不同部分具有不同的准确性。因此，"正确的 "委员会可以对整个采样长度做出正确的反应。尤其是这个委员会本身决定了这种正确性。或许，这已经是人工智能的雏形了......:) 你把我弄糊涂了--我不明白，你是否有一个带有自由系数的振荡器公式，它是通过遗传学选择出来的？遗传学是在神经网络上实现的吗（我不知道有这种变体）？ 这很清楚，但你是如何收集并分配系数的--在训练或其他样本上？ 我的理解没错，输入是带有一些缩进甚至是整个窗口的纯数值，但在不同的网络中大小不同？ RomFil 2023.03.25 20:45 #276 Aleksey Vyazmikin #:你把我弄糊涂了--我不明白，你是否有一个带有自由系数的振荡器公式，而这些自由系数是通过遗传学选择的？遗传学是在神经网络上实现的吗（我不知道这个选项）？这很清楚，但您是如何收集并分配系数的--在火车上还是在另一个样本上？我的理解是否正确，输入是带有一些缩进甚至整个窗口的纯数值，但在不同网络中大小不同？ 没有神经网络的遗传学是很常见的（说实话，我也不知道神经网络的遗传学）。 一切都只取决于列车样本。委员会本身决定所有系数。 是的，几乎是纯数值、不同深度、不同窗口等。 Aleksey Vyazmikin 2023.03.25 20:59 #277 RomFil #:遗传很常见，但没有神经官能症（说实话，我也不知道神经官能症的遗传情况）。一切都只能根据火车样本来决定。委员会自己决定所有系数。是的，几乎是纯数值、不同深度、不同窗口等。 前面提到的振荡器是一个集体图像，但在现实中并没有应用？ RomFil 2023.03.25 21:10 #278 Aleksey Vyazmikin #:之前提到的振荡器是一个集体形象，在现实中并没有应用？ 不，振荡器不是集体图像，而是现实（放置在地下室）： 实际振荡器本身 + 点就是预测。点出现在新条形图的第一个刻度上。但是，点的出现并不是交易信号--它只是一个警告。只有在分析了价格的进一步走势后，才能决定是否交易。顺便说一下，该图还显示了一个止损点（红色标记），在 98-99% 的情况下都不会被突破 - 它是防止任何剧烈波动的防御措施。这其实就是买入的信号...:) Aleksey Vyazmikin 2023.03.25 21:15 #279 RomFil #:不，振荡器不是一个集体图像，它是真实的（放在地下室里）：振荡器本身 + 点数是一种预测。点出现在新条形图的第一个刻度上。但是，点的出现并不是交易信号--它只是一个警告。只有在分析了价格的进一步走势后，才能决定是否交易。顺便说一下，该图还显示了一个止损点（红色标记），在 98-99% 的情况下都不会被突破 - 它是防止任何剧烈波动的防御措施。这其实就是买入的信号...:) 这纯粹是您的系统，与我提供的数据无关，因为您没有使用其他数据进行分析？ 我附上一个文件--请在上面应用您之前训练过的模型--我对结果很感兴趣。 附加的文件： New_data_v_2.zip 22 kb Aleksey Vyazmikin 2023.03.25 21:19 #280 这么说，你的遗传学对输入网络的数据负责？而数据本身就是时间序列偏差？ 1...212223242526272829303132 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
我添加了一列：1 "买入，"-1 "卖出。我想我做对了，但我没有检查......:)懒惰。
在没有点差和佣金的图表上，结果是这样的，单位是点：
结果：PR=157488 +trades=778 -trades=18 （利润，正交易和负交易数量）
点差 0.00050：
结果： PR=117688 + 成交=629 - 成交=167
价差为 0.00100：
PR=77888 +trades=427 -trades=369
价差为 200：
PR=-1712 +trades=241 -trades=555
恭喜您的超级震荡器！
考虑到 Target_P（排除方向不一致的信号），我也得到了这样的结果 - 我对一开始的波动和随后的快速增长感到困惑。
如果你的代码没有错误，你就可以认为自己是百万富翁了！
能告诉我秘诀是什么吗？我的理解是，这本质上是你以某种方式将一个多项式推向了振荡器的极限。
祝贺你的超级振荡器
在考虑 Target_P 的情况下，我也得到了这样的结果（排除了方向不一致的信号）--不过，令人困惑的是，它在开始时波动很大，然后又迅速增长。
如果你的代码没有错误，你就可以认为自己是百万富翁了！
能告诉我秘诀是什么吗？我的理解是，这本质上是一个多项式，你以某种方式将其驱动到振荡器的极限。
几乎没有什么秘密。我已经把上面的都告诉你了没有多项式
我给你一些提示：
1) 目标。它应该由自己决定，也就是说，你应该以这样一种方式过滤数据，即在强劲和平缓的走势中都能获得最大的潜在利润。我曾经使用 Dobeshi 小波进行序列分解，我甚至可以说它是最正确的变体（不过现在我找到了一种资源消耗较少的变体）。滤波最重要的一点是不要 "临时抱佛脚"，至少要排除样本轨迹边缘 10-20% 的数据。有必要去除边缘数据以排除边缘效应。
2) 振荡器。这可能是最简单的一种方法。例如，已被遗忘的 RVI ...:)只需选择合适的周期即可。
3) 但最重要的是 "正确的 "神经网络及其应用算法...:)包括对神经网络结果的正确解释。
代码中的错误可能只出现在信号出现的时间上（虽然我已经检查了 8 次，没有发现任何错误），但即使信号出现的时间向右移动（即人为地使信号延迟 1-2 步），也会有收益 - 当然比初始收益少，但第一个帖子中的初始条件很大。
几乎没有什么秘密上面我都说了没有多项式
我会写一系列的提示：
1) 目标。目标应由自身决定，即应过滤数据，以便在强势和平缓走势中都能获得最大的潜在利润。我曾经使用 Dobeshi 小波进行序列分解，我甚至可以说它是最正确的变体（不过现在我找到了一种资源消耗较少的变体）。滤波最重要的一点是不要 "临时抱佛脚"，至少要排除样本轨迹边缘 10-20% 的数据。要排除边缘效应，就必须去除边缘数据。
2) 振荡器。这可能是最简单的一种方法。例如，已被遗忘的 RVI ...:)只需选择合适的周期。
3) 但最重要的是 "正确的 "神经网络及其应用算法...:)包括对神经网络结果的正确解释。
代码中的错误可能只出现在信号出现的时间上（虽然我已经检查了八次，没有发现任何错误），但即使将信号出现的时间向右移动（即人为地将信号延迟 1-2 步），也会有收益 - 当然比初始收益要少，但第一个帖子中的初始条件很大。
第一个提示--与我的数据有关，所以暂时跳过。
第二个提示--我想知道--你使用了样本列车吗？
第三个提示--这里我不明白--为什么要有这么多神经网络？你向输入端输入了什么？
第一条提示是关于我的数据，所以我们暂时跳过它。
第二个提示--不知道你有没有采样？
第三个提示--这里我不明白--为什么有这么多神经网络？你的输入是什么，回报还是什么？
2) 是的，只有训练样本被过度捕捞，因为我们认为训练样本和测试样本是同一个过程的结果。如果过程不同，自然什么也得不到。
3) 这很简单。你学过遗传学吗？
例如，当遗传学求解一个有十个变量的方程时，不同的变量可以得到相同的结果（非常接近）。神经网络也是如此。在相同样本上创建并训练两个神经网络，然后看看这些网络的误差及其权重系数。它们会有所不同！
此外，对于图形的不同部分，神经网络的输入需要不同深度的样本。也就是说，不同采样深度的神经网络对图的不同部分具有不同的准确性。因此，"正确的 "委员会可以对整个采样长度做出正确的反应。尤其是这个委员会本身决定了这种正确性。或许，这已经是人工智能的雏形了......:)
3) 这很简单。你做过遗传学研究吗？
因此，当遗传学解决一个有十个变量的方程时，例如，不同的变量可以得到相同的结果（非常接近）。神经网络也是如此。在相同的样本上创建并训练两个神经网络，然后看看这些网络的误差及其权重系数。它们会有所不同！
此外，对于图形的不同部分，神经网络的输入需要不同深度的样本。也就是说，不同采样深度的神经网络对图形的不同部分具有不同的准确性。因此，"正确的 "委员会可以对整个采样长度做出正确的反应。尤其是这个委员会本身决定了这种正确性。或许，这已经是人工智能的雏形了......:)
你把我弄糊涂了--我不明白，你是否有一个带有自由系数的振荡器公式，它是通过遗传学选择出来的？遗传学是在神经网络上实现的吗（我不知道有这种变体）？
这很清楚，但你是如何收集并分配系数的--在训练或其他样本上？
我的理解没错，输入是带有一些缩进甚至是整个窗口的纯数值，但在不同的网络中大小不同？
你把我弄糊涂了--我不明白，你是否有一个带有自由系数的振荡器公式，而这些自由系数是通过遗传学选择的？遗传学是在神经网络上实现的吗（我不知道这个选项）？
这很清楚，但您是如何收集并分配系数的--在火车上还是在另一个样本上？
我的理解是否正确，输入是带有一些缩进甚至整个窗口的纯数值，但在不同网络中大小不同？
没有神经网络的遗传学是很常见的（说实话，我也不知道神经网络的遗传学）。
一切都只取决于列车样本。委员会本身决定所有系数。
是的，几乎是纯数值、不同深度、不同窗口等。
遗传很常见，但没有神经官能症（说实话，我也不知道神经官能症的遗传情况）。
一切都只能根据火车样本来决定。委员会自己决定所有系数。
是的，几乎是纯数值、不同深度、不同窗口等。
前面提到的振荡器是一个集体图像，但在现实中并没有应用？
之前提到的振荡器是一个集体形象，在现实中并没有应用？
不，振荡器不是集体图像，而是现实（放置在地下室）：
实际振荡器本身 + 点就是预测。点出现在新条形图的第一个刻度上。但是，点的出现并不是交易信号--它只是一个警告。只有在分析了价格的进一步走势后，才能决定是否交易。顺便说一下，该图还显示了一个止损点（红色标记），在 98-99% 的情况下都不会被突破 - 它是防止任何剧烈波动的防御措施。这其实就是买入的信号...:)
不，振荡器不是一个集体图像，它是真实的（放在地下室里）：
振荡器本身 + 点数是一种预测。点出现在新条形图的第一个刻度上。但是，点的出现并不是交易信号--它只是一个警告。只有在分析了价格的进一步走势后，才能决定是否交易。顺便说一下，该图还显示了一个止损点（红色标记），在 98-99% 的情况下都不会被突破 - 它是防止任何剧烈波动的防御措施。这其实就是买入的信号...:)
这纯粹是您的系统，与我提供的数据无关，因为您没有使用其他数据进行分析？
我附上一个文件--请在上面应用您之前训练过的模型--我对结果很感兴趣。