중요한 것은 평가 기준의 글로벌 최적을 찾기 위한 알고리즘(개별적으로 또는 그리드의 일부로서 최적화 알고리즘)의 속성입니다. 다시 강조하지만 평가 기준입니다. 평가 기준은 반드시 수익만이 아니거나 수익만이 평가 기준이 될 수 없습니다. 예를 들어 OOS에 대한 작업의 평가 기준이 기준이 아닌 (샘플과 OOS의 차이를 최소화하는) 모든 것이 될 수 있습니까? - 그냥 생각일 뿐입니다. 기준은 무엇이든 될 수 있고 복잡할 수도 있습니다. "수익" 기준은 매우 모호하고 불연속적인 것이기 때문에 사람들은 더 부드럽고 단조로운 평가 기준을 제시하려고 노력하며, 이는 일반적으로 최적화 자체와 특히 뉴로닉스 훈련의 품질을 향상시킵니다.
따라서 제가 그린 매우 예술적인 그림으로 돌아와서, 국부 극값의 수나 특성을 알 수 없는 조건에서 유일한 방법은 제한된 계산 능력의 조건에서 가능한 한 최대한의 극값을 찾는 것뿐이라는 사실을 시각적으로 설명한 것입니다.
고원 - 예, 그러한 개념이 있지만 최적화와는 관련이 없으며 일부 속성에 따라 유사한 매개 변수 집합을 분류하는 문제입니다. 안정적인 고원을 찾는 것은 별도의 복잡한 작업입니다.
다시 한 번 강조하지만, 극한값은 가치가 없습니다. 불안정한 지점은 존재하지 않으며, 우리는 무작위 프로세스를 다루고 있고 고정되지 않은 프로세스를 다루고 있기 때문에 존재하지도 않습니다.
우리는 그림에 표시된 것과 같은 고원이라도 수익성이 있다면 지역 및 글로벌 최소값보다 높더라도 고원을 찾아야 합니다. 이러한 고원은 이론적으로 TS의 수익성 상한선을 보여줄 것입니다. 그리고 발견 된 극한은 전혀 아무것도 아닙니다. 그들은 확실히 미래가 아니지만 고원에 대한 희망이 있습니다.
다시 한 번 강조하지만, 극한값은 가치가 없습니다. 극한값은 불안정한 지점이며, 게다가 우리는 임의의 프로세스를 다루고 있고 고정되지 않은 프로세스를 다루기 때문에 존재하지도 않습니다.
우리는 그림에 표시된 것과 같은 고원이라도 수익성이 있다면 지역 및 글로벌 최소값보다 높더라도 고원을 찾아야 합니다. 이러한 고원은 이론적으로 TS의 수익성 상한선을 보여줄 것입니다. 그리고 발견 된 극한은 전혀 아무것도 아닙니다. 그들은 확실히 미래가 아니지만 고원에 대한 희망이 있습니다.
최적화는 모르는 것을 찾는 것이 아니라, 예를 들어 TS의 수익성을 개선하는 것입니다.
정상적인 상황, 특히 잠재적 수익의 증가로 인한 극한이 있다고 가정해 보겠습니다. 그리고 고원까지 굴러 내려갈 시간이 있습니다.
아니면 전체 수면이 가라앉고 물 밖으로 튀어나온 극한과 고원만 있는 상황인가요? 그렇다면 이미 초기 적합 상태입니다.
함께 모여서 "무언가를 최적화하고 고원을 찾아보자"라고 말하고 고원을 찾으면 그곳에 보물이 있는 것과 같습니다. 그렇게 생각하시나요?
신경망의 작동 집합을 찾는 과정을 예로 들어 설명하겠습니다. 최대 값이 하나 인 가상의 산 에베레스트가 있습니다. 작업은 도로의 각도가 3도를 초과하지 않고 경로가 가능한 한 짧아야하도록 최대로 도로를 놓는 것입니다. 정상으로가는 직선 경로를 찾으면 많은 사람들이 반드시 추락하여 죽을 것입니다 (그들은 바닥에 착륙하면 평평하게 울고 바람 장미의 비 고정성에 대해 불평 할 것입니다). 왜 그런 최대가 필요합니까? 산의 경사각과 도로 길이라는 두 가지 기준을 포함하는 산 함수의 미분 인 또 다른 함수가 있습니다. 이 문제는 산에서 이 미분함수의 최소값(경사각과 도로 길이의 최소화)을 찾는 최적화로 축소됩니다. 따라서 이 함수는 많은 지역 극한값과 단 하나의 전역 극한값을 갖게 됩니다. 따라서 이 문제를 해결하면 에베레스트 정상에 안전하게 오르는 길을 찾을 수 있고 아무도 죽지 않으며 바람의 비정지성은 우리에게 문제가 되지 않습니다. 그러나 '고원'은 휴식을 취할 수 있는 산의 특정 플랫폼이 아니라 안전 요건을 충족하는 각도*길이의 유사한 특성을 가진 경로 옵션 그룹으로 이해해야 합니다.
이것이 일반적인 방식입니다. 모든 알고리즘이 "안전한" 길을 찾을 수 있는 것은 아니며, 검색 속성과 수렴 및 수렴 속도 모두 중요합니다.
학습 성과가 향상되었나요?)
아니요, 안타깝게도요.
지금 로페즈 데 프라도의 웹사이트를 보고 있습니다 . https://quantresearch.org/Patents.htm.
그는 9월에 발행된 새로운 특허(몬테카를로 백테스팅을 통한 전술적 투자 알고리즘)를 보유하고 있습니다.
예를 들어 그는 지금 예측(단기 예측)을 강조하는 등 귀중한 아이디어가 많습니다.
인용: "단거리 예측은 장거리 예측보다 통계적으로 더 신뢰할 수 있습니다."
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
코로나 바이러스 팬데믹의 주요 결과.
이 위기 속에서 우리는 어떤 교훈을 얻을 수 있을까요?
1. 더 많은 현재 예측, 더 적은 예측
2. 거래 규칙이 아닌 이론 개발
3. 모든 정권 전략 피하기
안타깝게도 없습니다.
지금 로페즈 데 프라도의 웹사이트를 보고 있습니다 . https://quantresearch.org/Patents.htm.
그는 9월에 발행된 새로운 특허(몬테카를로 백테스팅을 통한 전술적 투자 알고리즘)를 보유하고 있습니다.
예를 들어 그는 지금 예측(단기 예측)을 강조하는 등 귀중한 아이디어가 많습니다.
인용: "단거리 예측은 장거리 예측보다 통계적으로 더 신뢰할 수 있다".
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025
코로나 바이러스 팬데믹의 주요 결과.
이 위기 속에서 우리는 어떤 교훈을 얻을 수 있을까요?
1. 더 많은 현재 예측, 더 적은 예측
2. 거래 규칙이 아닌 이론 개발
3. 모든 정권 전략을 피하십시오
안타깝게도 없습니다.
교육을 잘 받았나요, 아니면 교육을 전혀 받지 않았나요?
교육이 잘 진행되었나요, 아니면 전혀 진행되지 않았나요?
계산이 정확하다는 의미에서는 정상이지만 (최대 샤프가 레벨 3 ~ 4 였음) njit 데코레이터가없는 클래스이기 때문에 훈련이 매우 느립니다.
계산이 정확하다는 점에서는 괜찮지 만 (내가 가진 최대 샤프는 레벨 3 ~ 4 수준이었습니다), 수업이 njit 데코레이터가 없기 때문에 학습 속도가 매우 느립니다.
엔짓 데코레이터란 무엇인가요?
엔짓 데코레이터란 무엇인가요?
함수에서 코드 실행 속도를 높이기 위한 판다 개발자의 어태치먼트입니다.
과거든 미래든 상관없습니다. 그리고 테스터 자체는 그것과 아무 관련이 없습니다.
중요한 것은 평가 기준의 글로벌 최적을 찾기 위한 알고리즘(개별적으로 또는 그리드의 일부로서 최적화 알고리즘)의 속성입니다. 다시 강조하지만 평가 기준입니다. 평가 기준은 반드시 수익만이 아니거나 수익만이 평가 기준이 될 수 없습니다. 예를 들어 OOS에 대한 작업의 평가 기준이 기준이 아닌 (샘플과 OOS의 차이를 최소화하는) 모든 것이 될 수 있습니까? - 그냥 생각일 뿐입니다. 기준은 무엇이든 될 수 있고 복잡할 수도 있습니다. "수익" 기준은 매우 모호하고 불연속적인 것이기 때문에 사람들은 더 부드럽고 단조로운 평가 기준을 제시하려고 노력하며, 이는 일반적으로 최적화 자체와 특히 뉴로닉스 훈련의 품질을 향상시킵니다.
따라서 제가 그린 매우 예술적인 그림으로 돌아와서, 국부 극값의 수나 특성을 알 수 없는 조건에서 유일한 방법은 제한된 계산 능력의 조건에서 가능한 한 최대한의 극값을 찾는 것뿐이라는 사실을 시각적으로 설명한 것입니다.
고원 - 예, 그러한 개념이 있지만 최적화와는 관련이 없으며 일부 속성에 따라 유사한 매개 변수 집합을 분류하는 문제입니다. 안정적인 고원을 찾는 것은 별도의 복잡한 작업입니다.
다시 한 번 강조하지만, 극한값은 가치가 없습니다. 불안정한 지점은 존재하지 않으며, 우리는 무작위 프로세스를 다루고 있고 고정되지 않은 프로세스를 다루고 있기 때문에 존재하지도 않습니다.
우리는 그림에 표시된 것과 같은 고원이라도 수익성이 있다면 지역 및 글로벌 최소값보다 높더라도 고원을 찾아야 합니다. 이러한 고원은 이론적으로 TS의 수익성 상한선을 보여줄 것입니다. 그리고 발견 된 극한은 전혀 아무것도 아닙니다. 그들은 확실히 미래가 아니지만 고원에 대한 희망이 있습니다.
"고원"에 대한 이상한 생각을 가지고 계시는군요. 고원은 연구 중인 함수의 영역 유형이 아닙니다. 고원은 어떤 속성에 대한 매개변수의 집합입니다.
수익은 계열의 비정형성과는 아무런 관련이 없으며, 네트워크가 미지의 데이터에 대해 유사한 결과를 학습하고 작업하는 능력과는 더더욱 관련이 없습니다.
수익과 같은 함수를 문자 그대로, 즉 이 함수가 테스터의 균형 그래프처럼 보인다고 생각한다면 이는 근본적으로 잘못된 생각입니다.
다시 한 번 강조하지만, 극한값은 가치가 없습니다. 극한값은 불안정한 지점이며, 게다가 우리는 임의의 프로세스를 다루고 있고 고정되지 않은 프로세스를 다루기 때문에 존재하지도 않습니다.
우리는 그림에 표시된 것과 같은 고원이라도 수익성이 있다면 지역 및 글로벌 최소값보다 높더라도 고원을 찾아야 합니다. 이러한 고원은 이론적으로 TS의 수익성 상한선을 보여줄 것입니다. 그리고 발견 된 극한은 전혀 아무것도 아닙니다. 그들은 확실히 미래가 아니지만 고원에 대한 희망이 있습니다.
최적화는 모르는 것을 찾는 것이 아니라, 예를 들어 TS의 수익성을 개선하는 것입니다.
정상적인 상황, 특히 잠재적 수익의 증가로 인한 극한이 있다고 가정해 보겠습니다. 그리고 고원까지 굴러 내려갈 시간이 있습니다.
아니면 전체 수면이 가라앉고 물 밖으로 튀어나온 극한과 고원만 있는 상황인가요? 그렇다면 이미 초기 적합 상태입니다.
함께 모여서 "무언가를 최적화하고 고원을 찾아보자"라고 말하고 고원을 찾으면 그곳에 보물이 있는 것과 같습니다. 그렇게 생각하시나요?
물론 구원에 대한 희망은 있지만 무시할 수 있는 수준입니다.
신경망의 작동 집합을 찾는 과정을 예로 들어 설명하겠습니다. 최대 값이 하나 인 가상의 산 에베레스트가 있습니다. 작업은 도로의 각도가 3도를 초과하지 않고 경로가 가능한 한 짧아야하도록 최대로 도로를 놓는 것입니다. 정상으로가는 직선 경로를 찾으면 많은 사람들이 반드시 추락하여 죽을 것입니다 (그들은 바닥에 착륙하면 평평하게 울고 바람 장미의 비 고정성에 대해 불평 할 것입니다). 왜 그런 최대가 필요합니까? 산의 경사각과 도로 길이라는 두 가지 기준을 포함하는 산 함수의 미분 인 또 다른 함수가 있습니다. 이 문제는 산에서 이 미분함수의 최소값(경사각과 도로 길이의 최소화)을 찾는 최적화로 축소됩니다. 따라서 이 함수는 많은 지역 극한값과 단 하나의 전역 극한값을 갖게 됩니다. 따라서 이 문제를 해결하면 에베레스트 정상에 안전하게 오르는 길을 찾을 수 있고 아무도 죽지 않으며 바람의 비정지성은 우리에게 문제가 되지 않습니다. 그러나 '고원'은 휴식을 취할 수 있는 산의 특정 플랫폼이 아니라 안전 요건을 충족하는 각도*길이의 유사한 특성을 가진 경로 옵션 그룹으로 이해해야 합니다.
이것이 일반적인 방식입니다. 모든 알고리즘이 "안전한" 길을 찾을 수 있는 것은 아니며, 검색 속성과 수렴 및 수렴 속도 모두 중요합니다.