量化软件下载：赫兹股票期货量化软件交易订单的原始时序

新方式的理论层面

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。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

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。

该组模型曾被重新训练若干次，而基准模型的训练数据集合可以逐渐增加（在每次新迭代时增加橙色列的长度），但其长度不应超过蓝色列的长度。 在每次迭代之后，从基准模型的训练样本中移除被元模型分类为假（或零）的所有样本。 依序，元模型继续基于所有样本进行训练。

隐藏在这种方式背后的直觉是，根据混淆矩阵的术语，亏损交易是我把底层模型进行了错误的I分类。 换言之，这些都是它的分类为假阳性的情况。 元模型过滤掉了这些情况，并为真阳性给出了 1 分，其它所有情况则给了 0 分。 经由元模型整理训练基准模型的数据集合，我们提升高了其精度，即正确触发买入和卖出的次数。 与此同时，元模型能够尽可能多的带来不同结果的分类，从而提升其召回率（完整性）。