트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 351

새 코멘트
 
유리 아사울렌코 :

사실 이것은 옳지 않습니다, IMHO.

시스템이 복잡해짐에 따라 수익성과 안정성이 동시에 향상되어야 합니다. 저것들. 시스템의 복잡성으로 인해 소비자 자산이 증가해야 합니다.



절대 사실이 아닙니다.

다른 akaiki인 정보 기준은 모델의 복잡성을 최소화하는 것을 목표로 합니다. 모델 조대화는 거래의 주요 악인 과적합에 맞서 싸우는 매우 효과적인 도구입니다.


 

막심 드미트리예프스키 :

 패키지 'Smarket'을 사용할 수 없습니다(R 버전 3.4.0용) :(



예, 그와 농담하십시오.

어리석게도 우리는 가장 단순한 것, 즉 랜덤 포레스트 를 취합니다. 일반적으로 교육의 결과로 수업을 받습니다. 실제로 알고리즘은 클래스의 확률을 제공하며 여기서 클래스를 얻습니다. 일반적으로 확률을 두 클래스로 반으로 나눕니다.

그리고 다음과 같이 클래스로 나누면 0 - 0.1이 하나의 클래스이고 0.9 - 1.0이 다른 클래스인가요? 그리고 0.1 - 0.9 사이의 간격은 시장에서 벗어 났습니까?

다음은 기사에서 본 내용입니다.

 
산산이치 포멘코 :


절대 사실이 아닙니다.

다른 akaiki인 정보 기준은 모델의 복잡성을 최소화하는 것을 목표로 합니다. 모델 조대화는 거래의 주요 악인 과적합에 맞서 싸우는 매우 효과적인 도구입니다.

왜 사실이 아닌지 모르겠습니다.) 두 번째 문장에서 우리가 같은 것에 대해 이야기하고 있습니다.
 
유리 아사울렌코 :
왜 사실이 아닌지 모르겠습니다.) 두 번째 문장에서 우리가 같은 것에 대해 이야기하고 있습니다.


제 글에 잘못된 글이 있습니다. 다음으로 이 위치를 공개합니다.

일반적인 규칙은 다음과 같습니다. 수익성 면에서 훌륭한 시스템을 얻은 다음 훨씬 더 중요한 것, 즉 미래의 지속 가능성을 얻기 위해 수익성 면에서 시스템을 악화시킵니다.

 
산산이치 포멘코 :


제 글에 잘못된 글이 있습니다. 다음으로 이 위치를 공개합니다.

일반적인 규칙은 다음과 같습니다. 수익성 면에서 훌륭한 시스템을 얻은 다음 훨씬 더 중요한 것, 즉 미래의 지속 가능성을 얻기 위해 수익성 면에서 시스템을 악화시킵니다.

따라서 안정성의 성장과 함께 적어도 수익성이 없는 거래의 수를 줄임으로써 수익성도 증가합니다. 수익성 있는 기업은 영향을 덜 받습니다.

그렇지 않은 경우 예측자의 정보 내용에 문제가 있는 것입니다. 어쨌든 복잡성이 증가할수록 손익 비율은 증가할 수밖에 없습니다.

 
유리 아사울렌코 :

따라서 안정성의 성장과 함께 적어도 수익성이 없는 거래의 수를 줄임으로써 수익성도 증가합니다. 수익성 있는 기업은 영향을 덜 받습니다.

그렇지 않은 경우 예측자의 정보 내용에 문제가 있는 것입니다. 어쨌든 복잡성이 증가할수록 손익 비율은 증가할 수밖에 없습니다.


전 세계가 반대 의견을 가지고 있지만 더 잘 알고 있습니다.
 
유리 아사울렌코 :

따라서 안정성의 성장과 함께 적어도 수익성이 없는 거래의 수를 줄임으로써 수익성도 증가합니다. 수익성 있는 기업은 영향을 덜 받습니다.

그렇지 않은 경우 예측자의 정보 내용에 문제가 있는 것입니다. 어쨌든 복잡성이 증가할수록 손익 비율은 증가할 수밖에 없습니다.


Faa는 올바른 생각을 썼지만 잘못했습니다.

계열과 예측 변수 집합이 있습니다. 행을 훈련 샘플과 포워드(가장 단순한 경우)의 세 부분으로 나눕니다.

예를 들어 20개의 모델을 만듭니다.

결론은 목록에서 모델을 선택하는 것은 훈련 샘플의 최고 기준이 아니라 전방 최고 기준이 아니라는 것입니다. 그리고 훈련과 전방 모두에서 거의 동일한 품질 점수를 제공하는 모델이 선택됩니다.

 
산산이치 포멘코 :

전 세계가 반대 의견을 가지고 있지만 더 잘 알고 있습니다.
전 세계는 다른 개념을 고수합니다. 또한 모든 활동 영역에서. 그건 그렇고, 손익 비율의 증가에서 이익 자체가 증가한다는 것이 전혀 따르지 않고 오히려 하락하고 있습니다. 이익 - 손실의 가치가 증가하고 있습니다.
 
드미트리 :


결론은 목록에서 모델을 선택하는 것은 훈련 샘플의 최고 기준이 아니라 전방 최고 기준이 아니라는 것입니다. 그리고 훈련과 전방 모두에서 거의 동일한 품질 점수를 제공하는 모델이 선택됩니다.

이것은 의심의 여지가 없습니다. 이는 시스템의 실제 작동 또는 테스트만을 의미했습니다.

 
유리 아사울렌코 :

사실 이것은 옳지 않습니다, IMHO.

시스템이 복잡해짐에 따라 수익성과 안정성이 동시에 향상되어야 합니다. 저것들. 시스템의 복잡성으로 인해 소비자 자산이 증가해야 합니다.

손으로 개발하는 예:

1. 우리는 단순한 거래 아이디어를 가지고 이익을 최적화하는 가장 간단한 TS를 만듭니다(손실은 전혀 무시할 수 있음).

2. 우리는 수익성이 없는 거래의 수를 최소화하는 제한을 도입합니다. 물론 랜덤으로 수익이 나는 부분이 일부 떠나고 수익성이 있는 부분에서는 이익이 줄어들지만 드로다운도 줄어들어 결과적으로 손익이 증가하게 된다.

더 많은 복잡성은 적어도 손실 거래의 수를 줄임으로써 이익 증가로 이어집니다.

합병증의 결과로 이익 손실 금액이 증가하지 않으면 우리가 뭔가 잘못하고 있는 것입니다. 예를 들어, 우리는 비효율적인 조건을 도입합니다.


글쎄요, 당신은 분류 모델을 생성합니다. 표본이 클수록 일반화가 강할수록 모델은 일반적으로 더 안정적이고 특히 덜 정확하므로 이익이 적습니다.

작은 샘플로 훈련하면 짧은 간격에서는 매우 정확하지만 큰 간격에서는 불안정합니다.

1...344345346347348349350351352353354355356357358...3399
새 코멘트
사유: