나는 Wiener로 바꿨습니다 - 그것은 흥미롭습니다, 젠장 ..이 책들은 언제 소진됩니까 :) 그는 실제로 예측을 시도했습니다.
나 역시 10번의 인생을 살아도 계획한 책을 다 읽을 시간이 없을 것 같아 왠지 슬펐지만 '술에 취해'라는 생리적 동기가 있는 한 긍정적인 면에서 다르게 보았다. ” 과학 문헌을 읽으면 뇌는 분명히 정신 이상에 위협을받지 않지만 진지하게 대답은 RANKING에 있고 Excel에 입력하고 중요도를 설정하고 위에서 정렬 (주기적으로)하지 않은 상위 항목을 읽습니다. 당신이 가장 중요한 책을 읽고 있다는 것을 알고 더 이상 양에 대해 걱정하지 말고 읽으십시오.
대부분의 경우와 마찬가지로 테스트 사이트에서 오류는 50%에 가깝습니다. 그러나 적어도 Alglib보다 10배는 더 빠릅니다. 여기에서 모델을 계산하는 데 40-100분이 걸렸다면 Alglib에서 동일한 구조에 대해 하루 이상 기다렸다가 기다리지 않고 계산을 껐습니다. 지금은 주기에서 모델을 선택해야 하지만 다시 시간이 많이 걸릴 것입니다. .... 이 비즈니스도 프로그래밍해야 합니다. 일반적으로 MO에 시간 제한을 설정하지 않기 때문에 이것은 오랜 시간입니다.
형제 여러분, 최적화 1-2분 만에 Forex와 같은 복잡한 시장에 적합한 모델을 얻으려면 어떻게 하시겠습니까????
내 생각에 이것은 논리적인 말도 안 된다. 결국, 모델을 구축하는 것은 비용으로 번역될 수 있는 컴퓨팅 리소스 에 영향을 미칩니다. 각 모델에는 지출 공제 형태의 자체 비용이 있는 것으로 알려져 있습니다. 만들 수 있는 리소스입니다. 그리고 이제 질문입니다. 1페니짜리 모델로 돈을 벌고 싶으세요??? 글쎄, 당신은 아마도 한 푼도 벌지 만 더 이상 .... IMHO
형제 여러분, 최적화 1-2분 만에 Forex와 같은 복잡한 시장에 적합한 모델을 얻으려면 어떻게 하시겠습니까????
내 생각에 이것은 논리적인 말도 안 된다. 결국, 모델을 구축하는 것은 비용으로 번역될 수 있는 컴퓨팅 리소스 에 영향을 미칩니다. 각 모델에는 지출 공제 형태의 자체 비용이 있는 것으로 알려져 있습니다. 만들 수 있는 리소스입니다. 그리고 이제 질문입니다. 1페니짜리 모델로 돈을 벌고 싶으세요??? 글쎄, 당신은 아마도 한 푼도 벌지 만 더 이상 .... IMHO
음 ... 아니. 내가 이해하는 대로 연설은 최적화가 아니라 훈련 시간에 관한 것이었습니다. 물론 최적화 20-30분.
거래의 경우 모델 최적화(TS) 아이디어는 매우 모호해 보입니다. 모든 최적화는 최고점/저점을 찾고 있고 우리는 그것들이 필요하지 않기 때문입니다. 우리는 이상적으로는 가능한 한 큰 평평한 고원을 원합니다. 이러한 고원에는 한 가지 주목할 만한 속성이 있어야 합니다. 모델의 매개변수를 변경해도 고원을 벗어나서는 안 됩니다.
최적화에 관한 것입니다.
사실, 여기에 모델 매개변수의 안정성 문제도 추가해야 합니다. 이 문제는 변경될 경우 다소 좁은(5%) 신뢰 구간 내입니다. 모델 매개변수의 안정성은 성능이 특정 고원에 있다는 사실로 이어지는 것 같습니다. 모델을 테스트할 때 갑자기 매우 좋은 결과를 얻은 경우 이는 우리가 최소값 지점으로 점프했음을 의미합니다. 우리는 실제로 다시는 만나지 않을 불안정한 상태를 얻었습니다. 게다가 이 최적 지점 주변에 스톱아웃이 위치할 것입니다.
추신.
그건 그렇고, 테스터에서 개발자는 색상으로 고원을 검색 할 수있는 기회를 제공했습니다. 개인적으로 나는 테스터를 마무리 도구로 사용하고 같은 색상의 사각형 주위에 사각형을 참조하는 매개 변수를 사용합니다. 이것은 나의 "고원" 개념을 시각적으로 표현한 것입니다.
시장의 Expert Advisors에서도 거래에 좋은 매개 변수가 최적화 기능에서 고원을 형성하는 것을 종종 보았습니다. 예를 들어 매개변수에 MA 또는 RSI 또는 일부 계수가 포함된 경우 매개변수를 약간 변경해도 최종 결과에 영향을 미치지 않습니다.
그러나 논리적으로 대부분의 매개 변수가 지표 계산 공식에 사용되므로 약간의 변경은 결과에 약간의 영향을 미치며 여전히 동일한 가격으로 계산됩니다.
그리고 반대로 머신 러닝에서는 매개변수가 눈사태처럼 전체 훈련 과정에 영향을 미칠 수 있으며 작은 변화라도 완전히 다른 결과를 낳습니다. 예를 들어, 은닉층에 있는 뉴런의 수가 증가함에 따라 사용되는 가중치의 수도 증가하고 gpsch를 사용하는 가중치 초기화 함수는 값을 약간 다른 순서로 설정하여 다른 결과로 이어집니다. 결과. 일부 매개변수를 변경하면 최적화 기능에 안정기가 그려지므로 각 매개변수에 대해 원활하게 또는 확률적으로 모델의 최종 추정에 영향을 미치고 매개변수에 원활하게 영향을 미치려면 미분(optim(method=" L-BFGS- B") 및 R)의 optimize()
그는 시도하지 않았지만 연습했습니다.)) 당신이 그것을 좋아해서 기쁩니다. 그리고 더 읽어야 합니다.) 사실, 많은 시간이 절약됩니다. 바퀴를 다시 만들 필요가 없습니다. 모든 것이 우리보다 먼저 생각되었습니다.
입력 예측자가 이미지로 변환되고 네트워크가 이에 대해 훈련되는 것 같습니다.
여기 .
http://www.valuesimplex.com/articles/JPM.pdf
좋은 문서, 몇 달 전에 Gotai에서 이 링크를 보았습니다. ML 자체에 대해서는 그다지 많지 않지만 그들이 사용하는 데이터에 관한 것입니다. 사이트에 대한 많은 링크 모음은 매우 귀중한 정보입니다.
나는 Wiener로 바꿨습니다 - 그것은 흥미롭습니다, 젠장 ..이 책들은 언제 소진됩니까 :) 그는 실제로 예측을 시도했습니다.
대부분의 경우와 마찬가지로 테스트 사이트에서 오류는 50%에 가깝습니다. 그러나 적어도 Alglib보다 10배는 더 빠릅니다. 여기에서 모델을 계산하는 데 40-100분이 걸렸다면 Alglib에서 동일한 구조에 대해 하루 이상 기다렸다가 기다리지 않고 계산을 껐습니다.
지금은 주기에서 모델을 선택해야 하지만 다시 시간이 많이 걸릴 것입니다. .... 이 비즈니스도 프로그래밍해야 합니다.
일반적으로 MO에 시간 제한을 설정하지 않기 때문에 이것은 오랜 시간입니다.
흥미롭습니다 - 여기에서 파고 있습니다)
놀란. 1시간 이상 세는 이 모델은??
최대 1-2분이어야 합니다.
형제 여러분, 최적화 1-2분 만에 Forex와 같은 복잡한 시장에 적합한 모델을 얻으려면 어떻게 하시겠습니까????
내 생각에 이것은 논리적인 말도 안 된다. 결국, 모델을 구축하는 것은 비용으로 번역될 수 있는 컴퓨팅 리소스 에 영향을 미칩니다. 각 모델에는 지출 공제 형태의 자체 비용이 있는 것으로 알려져 있습니다. 만들 수 있는 리소스입니다. 그리고 이제 질문입니다. 1페니짜리 모델로 돈을 벌고 싶으세요??? 글쎄, 당신은 아마도 한 푼도 벌지 만 더 이상 .... IMHO
링크는 위에 있었다
독성 :http://www.valuesimplex.com/articles/JPM.pdf
그리고 여기 이 책의 사진이 있습니다. 저자는 매우 존경받는 은행입니다.
왜 나를 제외하고 아무도 여기에 모델 불안정성으로 나열된 것에 대해 논의하지 않습니까?
링크는 위에 있었다
독성 :http://www.valuesimplex.com/articles/JPM.pdf
그리고 여기 이 책의 사진이 있습니다. 저자는 매우 존경받는 은행입니다.
왜 나를 제외하고 아무도 여기에 모델 불안정성으로 나열된 것에 대해 논의하지 않습니까?
형제 여러분, 최적화 1-2분 만에 Forex와 같은 복잡한 시장에 적합한 모델을 얻으려면 어떻게 하시겠습니까????
내 생각에 이것은 논리적인 말도 안 된다. 결국, 모델을 구축하는 것은 비용으로 번역될 수 있는 컴퓨팅 리소스 에 영향을 미칩니다. 각 모델에는 지출 공제 형태의 자체 비용이 있는 것으로 알려져 있습니다. 만들 수 있는 리소스입니다. 그리고 이제 질문입니다. 1페니짜리 모델로 돈을 벌고 싶으세요??? 글쎄, 당신은 아마도 한 푼도 벌지 만 더 이상 .... IMHO
거래의 경우 모델 최적화(TS) 아이디어는 매우 모호해 보입니다. 모든 최적화는 최고점/저점을 찾고 있고 우리는 그것들이 필요하지 않기 때문입니다. 우리는 이상적으로는 가능한 한 큰 평평한 고원을 원합니다. 이러한 고원에는 한 가지 주목할 만한 속성이 있어야 합니다. 모델의 매개변수를 변경해도 고원을 벗어나서는 안 됩니다.
최적화에 관한 것입니다.
사실, 여기에 모델 매개변수의 안정성 문제도 추가해야 합니다. 이 문제는 변경될 경우 다소 좁은(5%) 신뢰 구간 내입니다. 모델 매개변수의 안정성은 성능이 특정 고원에 있다는 사실로 이어지는 것 같습니다. 모델을 테스트할 때 갑자기 매우 좋은 결과를 얻은 경우 이는 우리가 최소값 지점으로 점프했음을 의미합니다. 우리는 실제로 다시는 만나지 않을 불안정한 상태를 얻었습니다. 게다가 이 최적 지점 주변에 스톱아웃이 위치할 것입니다.
추신.
그건 그렇고, 테스터에서 개발자는 색상으로 고원을 검색 할 수있는 기회를 제공했습니다. 개인적으로 나는 테스터를 마무리 도구로 사용하고 같은 색상의 사각형 주위에 사각형을 참조하는 매개 변수를 사용합니다. 이것은 나의 "고원" 개념을 시각적으로 표현한 것입니다.
시장의 Expert Advisors에서도 거래에 좋은 매개 변수가 최적화 기능에서 고원을 형성하는 것을 종종 보았습니다. 예를 들어 매개변수에 MA 또는 RSI 또는 일부 계수가 포함된 경우 매개변수를 약간 변경해도 최종 결과에 영향을 미치지 않습니다.
그러나 논리적으로 대부분의 매개 변수가 지표 계산 공식에 사용되므로 약간의 변경은 결과에 약간의 영향을 미치며 여전히 동일한 가격으로 계산됩니다.
그리고 반대로 머신 러닝에서는 매개변수가 눈사태처럼 전체 훈련 과정에 영향을 미칠 수 있으며 작은 변화라도 완전히 다른 결과를 낳습니다. 예를 들어, 은닉층에 있는 뉴런의 수가 증가함에 따라 사용되는 가중치의 수도 증가하고 gpsch를 사용하는 가중치 초기화 함수는 값을 약간 다른 순서로 설정하여 다른 결과로 이어집니다. 결과.
일부 매개변수를 변경하면 최적화 기능에 안정기가 그려지므로 각 매개변수에 대해 원활하게 또는 확률적으로 모델의 최종 추정에 영향을 미치고 매개변수에 원활하게 영향을 미치려면 미분(optim(method=" L-BFGS- B") 및 R)의 optimize()
링크는 위에 있었다
독성 :http://www.valuesimplex.com/articles/JPM.pdf
그리고 여기 이 책의 사진이 있습니다. 저자는 매우 존경받는 은행입니다.
왜 나를 제외하고 아무도 여기에 모델 불안정성으로 나열된 것에 대해 논의하지 않습니까?
좋은 삽화.