文章 "基于机器学习构建均值回归策略"

Andrey Dik 2025.03.10 22:03 #61

Maxim Dmitrievsky #:

阅读过这篇文章的读者会发现，文章末尾还有一个很好的补充--来自终端的图表，其中显示了缩水情况。

不，不是这样的。终端中的测试是在有 SL 和 TP 的情况下进行的，尽管声称培训时没有使用它们。为什么不在相同条件下（无 SL 和 TP）显示培训后的结果？- 因为它声称"(1) 停止设置不会影响模型的泛化能力"。

你不必回答--你不擅长回答实质性问题。

[删除] 2025.03.10 22:03 #62

Evgeni Gavrilovi #:

您对如何改进 TC 有什么想法？分享）

以目前的形式，仅仅通过特质/模式/设置是无法实现的。

有可能获得非常好的模型。

[删除] 2025.03.10 22:05 #63

Andrey Dik #:

你不必回答

感谢上帝

Evgeni Gavrilovi 2025.03.10 22:27 #64

Maxim Dmitrievsky #:

目前的形式是没有办法的，只能通过特质/分区。

该库包含所有基本指标，并在一个函数中进行计算。您可能会发现它在未来很有用。

https://github.com/bukosabino/ta

df = add_all_ta_features(df, open="Open", high="High", low="Low", close="Close", volume="Volume_BTC")

[删除] 2025.03.10 22:28 #65

Evgeni Gavrilovi #:

该库包含所有用一个函数计算的基本指标。将来可能对您有用。

https://github.com/bukosabino/ta

df = add_all_ta_features(df, open="Open", high="High", low="Low", close="Close", volume="Volume_BTC")

谢谢，保存了它。算法还有其他意想不到的修改，我稍后再发布（要写的东西很多）。这些修改可以说是一种不同的算法。

[删除] 2025.03.10 22:50 #66

如果你不能运行敌方的 Python 代码（以 Dick 为例，这对他来说是一种正常的意识状态），或者你出于宗教原因不这样做（你完全用 SI 书写，这是你父亲留给你的遗产）：

对模型进行训练，选择任意的 sl/tp，比如 500/500：

hyper_params = {
    'symbol': 'EURGBP_H1',
    'model_number': 0,
    'markup': 0.00010,
    'stop_loss':  0.00500,
    'take_profit': 0.00500,
    'periods': [i for i in range(5, 300, 30)],
    'periods_meta': [100],
    'backward': datetime(2000, 1, 1),
    'forward': datetime(2021, 1, 1),
    'full forward': datetime(2026, 1, 1),
    'n_clusters': 10,
    'rolling': 200,
}