이 접근 방식은 손실 가능성이 있는 거래를 "올바르게" 분류하기 때문입니다. 실제로는 스프레드 때문만이 아니라 상황이 훨씬 더 나쁩니다. 실제 EA에서 "올바른" 분류에서 수익성 있는 시스템으로 전환하는 것은 놀라운 일이 아니기 때문에 여전히 문제가 됩니다.
먼저 마크 업은 가능한 한 수익성있게 만들어집니다. 그런 다음 "신뢰할 수있는"예제는 모델 오류를 기반으로 리샘플링 및 필터링되고 나머지는 쓰레기로 표시됩니다. 초기 성배 마크 업과 같은 이상적인 거래는 결코 없을 것이 분명하기 때문입니다 (스프레드 없이는 거의 성배가 될 것입니다). 수익성은 어느 정도 떨어지고 새로운 데이터에 대한 안정성은 증가합니다. 이것과 저것 사이의 균형이 선택됩니다.
다른 사람들이 TS를 정당화하는 것처럼 논리적이고 모호하지 않은 것 같습니다.
기사에서 이해하기 가장 쉬운 변형을 설명했으며 직접 확인할 수 있으며 알고리즘의 핵심은 간단합니다.
먼저, 마크업은 가능한 한 수익성이 높은 것으로 만들어집니다. 그런 다음 "신뢰할 수 있는" 예시는 모델 오류를 기준으로 리샘플링 및 필터링하고 나머지는 쓰레기로 표시합니다. 초기 성배 레이아웃과 같은 이상적인 거래는 결코 없을 것이 분명하기 때문입니다 (스프레드가 없으면 거의 성배가 될 것입니다). 수익성은 어느 정도 떨어지고 새로운 데이터에 대한 안정성은 증가합니다. 두 가지 사이의 균형이 선택됩니다.
논리적으로 보이며 다른 사람들이 TS를 정당화하는 것처럼 모호하지 않습니다.
이해하기 가장 쉬운 변형은 기사에 설명되어 있으며 직접 확인할 수 있으며 알고리즘의 핵심은 간단합니다.
기사를 간단히 살펴 보았습니다.
저는 처음부터 다른 모든 것의 기반이되는 특정 기본 전제를 골라 냈습니다:
무작위 하위 샘플에 대해 모델을 여러 번 훈련 한 다음 각각에 대한 예측 품질을 테스트하고 모든 오류를 합산하면 실제로 많이 틀린 경우와 자주 추측하는 경우에 대해 비교적 신뢰할 수있는 그림을 얻을 수 있습니다.
전적으로 동의하지 않습니다.
교차 검증은 정의상 모델의 품질을 향상시킬 수 없습니다. 교차 유효성 검사를 사용하면 통계 집합을 희생하면서 더 유효한 오류 값을 계산할 수 있습니다. 그리고 그 결과로 발생하는 분류 오류는 외부 파일, 즉 실제 거래에서 예측과 관련이 있을 수도 있고 없을 수도 있습니다.
모델의 예측 품질은 특정 레이블 세트에 대한 예측자 세트에 의해 결정되며 모델과는 관련이 없습니다. 모델링하기 전에 예측자와 레이블이 서로 일치하는지에 대한 질문에 답해야 합니다. 모델의 도움으로 이 질문에 답하는 것은 불가능하며, 여러분은 이 질문에 답하려고 노력하고 있습니다.
귀하의 기사에는 테스터의 "앞으로"모드에 대한 그래프가 없으며, 이는 모델을 실제로 판단 할 수 있습니다.
그건 그렇고, 당신은 가격과의 차이에 관계없이 마쉬키를 사용하고, 자신의 테스터가 모델을 테스트하는 특정 조건에서 재미 있지 않고 전체 TA와 반대되는 것처럼 마쉬키가 앞서 보이기 때문에 마쉬키를 조심해야합니다. "앞으로"모드를 사용하면 앞을 내다 보는 경우 앞으로와 메인 플롯 사이의 결과에 큰 불일치가 발생합니다.
아니요, 문제 없습니다. 수익률이 얼마인지는 중요하지 않습니다. 중요한 것은 분류 오류입니다. 교육에 스프레드를 추가할 때 증가하거나 동일하게 유지됩니다.
그러나 스프레드가 마크업에 고려되면 모델이 더 잘 작동하기 시작하지 않고 이익을 제공하지 않지만 스프레드가 없으면 스프레드없이 훈련 된 것과 동일한 방식으로 작동합니다. 그래서 스프레드를 조건부로 분류 오류에 넣었습니다. 즉, 모델의 응답은 그것을 이길 수 없습니다.
마크업에서 스프레드를 고려한다는 것은 스프레드를 초과하는 거래 길이를 의미합니다. 즉, 거래를 더 길게 한 다음 훈련하고 증가 된 스프레드에 대한 테스트 결과는 더 짧은 거래로 훈련 된 다른 모델의 결과와 거의 동일합니다.
내 신호에서 MO가 스프레드를 이길 수 없다는 것은 다소 모호하지 않은 결론으로 밝혀졌습니다.
그러나 때로는 코줄과 관련된 특정 메커니즘을 사용하면 가능합니다. 즉, 일부 통계가있는 경우 신호의 추론 된 "신뢰성"지표는 스프레드가 증가 할 때도 작동합니다.
어떤 수익이 계산되었는지는 중요 하지 않습니다.중요한 것은 분류 오류입니다.
이 접근 방식 때문에 손실 가능성이 있는 거래를 "올바르게" 분류할 수 있습니다. 실제로는 스프레드 때문만이 아니라 상황이 훨씬 더 나쁩니다. 실제 EA에서 "올바른" 분류에서 수익성 있는 시스템으로 달성하는 것은 놀라운 일이 아니기 때문에 여전히 문제가 됩니다.
수익률이 중요한 것이 아니라 그이후의 분류 오류가 중요합니다.
이 접근 방식은 손실 가능성이 있는 거래를 "올바르게" 분류하기 때문입니다. 실제로는 스프레드 때문만이 아니라 상황이 훨씬 더 나쁩니다. 실제 EA에서 "올바른" 분류에서 수익성 있는 시스템으로 전환하는 것은 놀라운 일이 아니기 때문에 여전히 문제가 됩니다.
먼저 마크 업은 가능한 한 수익성있게 만들어집니다. 그런 다음 "신뢰할 수있는"예제는 모델 오류를 기반으로 리샘플링 및 필터링되고 나머지는 쓰레기로 표시됩니다. 초기 성배 마크 업과 같은 이상적인 거래는 결코 없을 것이 분명하기 때문입니다 (스프레드 없이는 거의 성배가 될 것입니다). 수익성은 어느 정도 떨어지고 새로운 데이터에 대한 안정성은 증가합니다. 이것과 저것 사이의 균형이 선택됩니다.
다른 사람들이 TS를 정당화하는 것처럼 논리적이고 모호하지 않은 것 같습니다.
기사에서 이해하기 가장 쉬운 변형을 설명했으며 직접 확인할 수 있으며 알고리즘의 핵심은 간단합니다.
먼저, 마크업은 가능한 한 수익성이 높은 것으로 만들어집니다. 그런 다음 "신뢰할 수 있는" 예시는 모델 오류를 기준으로 리샘플링 및 필터링하고 나머지는 쓰레기로 표시합니다. 초기 성배 레이아웃과 같은 이상적인 거래는 결코 없을 것이 분명하기 때문입니다 (스프레드가 없으면 거의 성배가 될 것입니다). 수익성은 어느 정도 떨어지고 새로운 데이터에 대한 안정성은 증가합니다. 두 가지 사이의 균형이 선택됩니다.
논리적으로 보이며 다른 사람들이 TS를 정당화하는 것처럼 모호하지 않습니다.
이해하기 가장 쉬운 변형은 기사에 설명되어 있으며 직접 확인할 수 있으며 알고리즘의 핵심은 간단합니다.
기사를 간단히 살펴 보았습니다.
저는 처음부터 다른 모든 것의 기반이되는 특정 기본 전제를 골라 냈습니다:
무작위 하위 샘플에 대해 모델을 여러 번 훈련 한 다음 각각에 대한 예측 품질을 테스트하고 모든 오류를 합산하면 실제로 많이 틀린 경우와 자주 추측하는 경우에 대해 비교적 신뢰할 수있는 그림을 얻을 수 있습니다.
전적으로 동의하지 않습니다.
교차 검증은 정의상 모델의 품질을 향상시킬 수 없습니다. 교차 유효성 검사를 사용하면 통계 집합을 희생하면서 더 유효한 오류 값을 계산할 수 있습니다. 그리고 그 결과로 발생하는 분류 오류는 외부 파일, 즉 실제 거래에서 예측과 관련이 있을 수도 있고 없을 수도 있습니다.
모델의 예측 품질은 특정 레이블 세트에 대한 예측자 세트에 의해 결정되며 모델과는 관련이 없습니다. 모델링하기 전에 예측자와 레이블이 서로 일치하는지에 대한 질문에 답해야 합니다. 모델의 도움으로 이 질문에 답하는 것은 불가능하며, 여러분은 이 질문에 답하려고 노력하고 있습니다.
모델로 이 질문에 답하는 것은 불가능하며, 여러분은 그렇게 하려고 노력하고 있습니다.
무엇으로 대답하고 싶으신가요?
무엇으로 대답하고 싶으신가요?
오래된 주제이며 여러 번 작성되었습니다.
오래된 주제이며 여러 번 반복해서 작성되었습니다.
패키지 R 러스퀀트 개발자의 보기, 니스 칠, 구독을 통한 지원
같은 문제입니다.
귀하의 기사에는 테스터의 "앞으로"모드에 대한 그래프가 없으며, 이는 모델을 실제로 판단 할 수 있습니다.
그건 그렇고, 당신은 가격과의 차이에 관계없이 마쉬키를 사용하고, 자신의 테스터가 모델을 테스트하는 특정 조건에서 재미 있지 않고 전체 TA와 반대되는 것처럼 마쉬키가 앞서 보이기 때문에 마쉬키를 조심해야합니다. "앞으로"모드를 사용하면 앞을 내다 보는 경우 앞으로와 메인 플롯 사이의 결과에 큰 불일치가 발생합니다.
rusquant
이 사이트에는API Tinkoff, Finam 및 Alor와의 상호 작용이 지원된다고 나와 있습니다.이를 살펴본 사람이 있나요?