Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 80
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Der Mann empfiehlt die Lektüre von "MSUA" und Spektralanalyse, insbesondere Fourier
========================================================
Ferner, was Ergebnisse, die ich "Demagoge" erreicht haben, aber in der Tat sehr bescheiden, gute Ideen, wie ich denke, eine Menge, meine Forschung geht in viele Richtungen gleichzeitig und es gibt einen großen Mangel an Wissen in verschiedenen Bereichen, weil oft um Hilfe von Forumsteilnehmern fragen, aber vor allem zu helfen und niemand will, sagen sie, Sie lernen selbst, und dann..... nur, wenn ich mich selbst gemeistert haben alle dann, warum ich diese Kommunikation zu tun, wie ohne Logik, werde ich abgelenkt.
das beste, was ich von rf mit neuen Daten bekommen habe, sind 50% pro Monat für 2 Monate, aber es ist noch nicht stabil, ich habe 10 mal versucht, Bilder hochzuladen, aber nichts funktioniert
Die Quintessenz ist, dass Sie sich nicht auf Muster wie 30% pro Jahr ist cool, es ist nicht cool, diesen Rahmen für den Geist und Kreativität zu begrenzen
Herzlichen Glückwunsch! So kann man 5 Jahre lang handeln. Oder zeigen Sie irgendwelche Daten über echte Statistiken für 5 Jahre.
Und was die Zeichen betrifft, so möchte ich hier keine Couch-Analyse machen, wie z.B. dass Ihre Zeichen Quatsch sind, dass es bessere Zeichen gibt, dass Modelle nicht wichtig sind. Dann zeig mir, was du getan hast. Ich habe alle meine Eingaben hier veröffentlicht, auch die Kombinationen. Zählen Sie ihren Informationswert. Warum sonst sollten Sie die Luft schwingen?
Was bedeutet "RF 10/5"?
Ja, ich habe eine Notiz auf dem Bild gemacht, als ich das Modell mit neuen Daten getestet habe. Beachten Sie das nicht ....
er ist ein Parameter des Modells 5 Bäume 10 Äste in einem Baum
Ja, ich habe eine Notiz auf dem Bild gemacht, als ich das Modell mit neuen Daten getestet habe. Beachten Sie das nicht ....
dies ist der Modellparameter 5 Bäume 10 Äste in einem Baum
Sehr interessant!
Können Sie uns irgendwelche Details nennen?
Hier ist das Beste, was ich aus RF an neuen Daten herausquetschen konnte, nämlich 50% pro Monat für 2 Monate in Folge, aber es ist immer noch sehr instabil, ich habe 10 Mal versucht, Bilder hochzuladen, aber es funktioniert nicht (verstanden)
Der Punkt ist, dass wir uns nicht mit Schablonen einschränken sollten, wie z.B. 30% pro Jahr ist cool, es ist nicht cool, es ist ein Rahmen für den Geist und die Kreativität
Das ist alles sehr interessant!
Können Sie uns irgendwelche Details nennen?
Handelt es sich um einen Backtest mit Daten, die außerhalb der Stichprobe liegen? Habe ich es richtig verstanden?
ja
Klingt nach unsachgemäßer Modellausbildung, zu viel Variation. Modelle haben in der Regel eine Art von zufälligem Lernprozess, bei dem die Lernlogik nicht einheitlich definiert ist. Solche Zufallsmomente führen dazu, dass mehrere Modelle, wenn sie trainiert werden, bei den Trainingsdaten in etwa die gleichen Ergebnisse liefern, beim Fronttest aber Unterschiede auftreten.
Es gibt mehrere Ursachen für dieses Problem und seine Lösungen:
1) es gibt Rauscheingänge, die keine nützlichen Informationen liefern, sie müssen entfernt werden
2) Ändern Sie die Trainingsparameter des Modells. Für neuronkey habe ich dieses Problem durch die Verwendung des Decay-Parameters gelöst, die Ergebnisse des Fronttests wurden mit diesem Parameter weniger streuend. Was ich mit dem Wald machen soll, weiß ich nicht.
3) Bilden Sie einen Ausschuss von Modellen. Trainieren Sie viele Modelle, machen Sie einen Fronttest mit allen Modellen und nehmen Sie das Ergebnis, bei dem die meisten Leute sagen
4) Wenn Sie während des Trainings eine Kreuzvalidierung durchführen, wiederholen Sie diese mehrmals mit denselben Daten, um zu sehen, wie stark die Ergebnisse variieren, und wählen Sie Modelle und Prädiktoren mit geringer Variation.
Das ist das, was mir jetzt in den Sinn kommt, aber das ist nicht die Grenze der möglichen Probleme.
entwickeln sie die idee weiter. fügen sie weitere daten hinzu. es sollte ein paar jahre dauern, bis sie aus der stichprobe herausfallen. Ansonsten, gute Arbeit!