Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 89
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
Gleitende Steuerung ist für Fans))))) und die Tatsache, dass nur in diesem Fall das Modell geeignet ist, ist ein Trugschluss.
Aber das ist alles Unsinn, jeder hat seine eigenen Macken-Notwendigkeiten in verschiedenen Stadien, man kann sie auch hinzufügen.
Ich meinte die Ausgabe in % sowohl für die allgemeine als auch für die Testausgabe (Test = OOS - Anwendung der Formel auf neue Daten)
Ein Vorteil der Fensteranwendungen ist ihre schnelle Verwendbarkeit. Es ist möglich, eine normale Shell zu erstellen.
Reshetov ist ein erfahrener Programmierer, also muss es auf normale Weise gemacht werden. Das ist alles. Natürlich nur imho.
Wenn die Auswahl eines guten Modells in einer Stichprobe zu guten Ergebnissen außerhalb der Stichprobe führt, bedeutet dies, dass das Modell für das gewählte Problem geeignet ist.
Noch einmal für die besonders Begabten: Wenn ein Modell die Auswahl besteht, bedeutet das nicht, dass es für das gewählte Problem potenziell geeignet ist, insbesondere in nicht-stationären Umgebungen. Es bedeutet nur, dass es irgendwie die Auswahl bestanden hat.
Wenn eine Bewerberin oder ein Bewerber die Aufnahmeprüfung an einer Universität bestanden hat, bedeutet dies nicht, dass sie oder er ihr oder sein Diplom verteidigen wird, geschweige denn, dass sie oder er später in dem von ihr oder ihm gewählten Bereich arbeiten wird.
Die Auswahl reduziert nur die Wahrscheinlichkeit der Untauglichkeit, aber nicht immer auf Null. Und wir sollten nicht vergessen, dass die Ergebnisse der Auswahl auch falsch positiv und falsch negativ sein können. Das heißt, die Wahrscheinlichkeit, dass das Auswahlverfahren auch "das Kind mit dem Bade ausschüttet", ist nicht gleich Null.
Noch einmal für die besonders Begabten: Wenn ein Modell die Auswahl besteht, bedeutet das nicht, dass es potenziell für das gewählte Problem geeignet ist, insbesondere in nicht-stationären Umgebungen. Es bedeutet nur, dass es die Auswahl irgendwie bestanden hat.
Wenn eine Bewerberin durch die Aufnahmeprüfungen an der Universität ausgewählt wird, bedeutet dies nicht, dass sie ihr Diplom verteidigen wird, geschweige denn, dass sie anschließend in ihrem gewählten Fachgebiet arbeiten wird.
Die Auswahl reduziert nur die Wahrscheinlichkeit der Untauglichkeit, aber nicht immer auf Null. Und wir sollten nicht vergessen, dass die Ergebnisse der Auswahl auch falsch positiv und falsch negativ sein können. Das heißt, die Wahrscheinlichkeit, dass bei der Auswahl auch "das Kind mit dem Bade ausgeschüttet" wurde, ist nicht gleich Null.
Lassen Sie mich das für die ganz Anspruchsvollen noch einmal erklären.
Alle Ergebnisse sind natürlich probabilistisch!
Es gibt Modellergebnisse beim Training, es gibt Ergebnisse bei der Kreuzvalidierung oder beim Testen (um Modellparameter zu ermitteln und einen frühen Lernstopp einzulegen). Es gibt auch Ergebnisse von Modellen außerhalb der Stichprobe - endgültige Schätzung.
Wenn die Ergebnisse bei der Prüfung gut mit den Ergebnissen außerhalb der Stichprobe korrelieren, bedeutet dies, dass die Qualität der Abhängigkeitsmodellierung für den Zeitraum außerhalb der Stichprobe träge ist. In diesem Fall kann das beste Modell in der Prüfung (nicht "aus der Stichprobe") genommen werden. Anschließend kann man das Modell auf alle neuen Daten mit bekannten Parametern neu trainieren und das beste Modell nehmen, da die Beziehung zu den zukünftigen Ergebnissen praktisch hergestellt ist.
Wenn die Testergebnisse schlecht mit den Ergebnissen außerhalb der Stichprobe korrelieren, ist es sinnlos, das beste Modell für das Training zu nehmen. Das beste Modell "außerhalb der Stichprobe" zu nehmen ist eine Anpassung. Es gibt nur einen Ausweg - die Methode der Modellerstellung zu verwerfen oder die Parameterbereiche deutlich zu ändern.
"Sie könnten zum Beispiel vorschlagen, dass sie eine Woche lang einen Thread erstellen - eine Woche, in der die Leute ihre Meinung äußern können - und sie dann unter die Räder kommen lassen."
Ich weiß nicht, welcher Gimmick das obige Zitat in meinen Beitrag eingefügt hat, aber es ist nicht mein Beitrag.
Wenn den Moderatoren etwas an meinen Beiträgen nicht gefällt, ist das ihr gutes Recht. Fügen Sie einfach nicht den Text eines anderen in meine Beiträge ein, und verhalten Sie sich kulturell: Geben Sie an, was genau Ihnen nicht gefallen hat, und zwar in ihrem eigenen Namen. Und ich, um die Moderatoren nicht zu verärgern, gehe von dieser Seite weg auf meine eigene: der Link ist in meinem Profil.
Auf Wiedersehen!
.
"Sie könnten zum Beispiel vorschlagen, dass sie eine Woche lang einen Thread erstellen - eine Woche, in der die Leute ihre Meinung äußern können - und sie dann unter die Räder kommen lassen."
Ich weiß nicht, welcher Gimmick das obige Zitat in meinen Beitrag eingefügt hat, aber es ist nicht mein Beitrag.
Wenn den Moderatoren etwas an meinen Beiträgen nicht gefällt, ist das ihr gutes Recht. Fügen Sie einfach nicht den Text eines anderen in meine Beiträge ein, und verhalten Sie sich kulturell: Geben Sie an, was genau Ihnen nicht gefallen hat, und zwar in ihrem eigenen Namen. Und ich, um die Moderatoren nicht zu verärgern, gehe von dieser Seite weg auf meine eigene: der Link ist in meinem Profil.
Auf Wiedersehen an alle!
.
"Sie könnten zum Beispiel vorschlagen, dass sie eine Woche lang einen Thread erstellen - eine Woche, in der die Leute ihre Meinung äußern können - und sie dann unter die Räder kommen lassen."
Ich weiß nicht, welcher Kobold das obige Zitat in meinen Beitrag eingefügt hat, aber es ist nicht mein Beitrag.
Wenn den Moderatoren etwas an meinen Beiträgen nicht gefällt, ist das ihr gutes Recht. Fügen Sie einfach nicht den Text eines anderen in meine Beiträge ein, und verhalten Sie sich kulturell: Geben Sie an, was genau Ihnen nicht gefallen hat, und zwar in ihrem eigenen Namen. Und ich, um die Moderatoren nicht zu verärgern, gehe von dieser Seite weg auf meine eigene: der Link ist in meinem Profil.
Auf Wiedersehen an alle!
Ich werde später nachsehen, ob Interesse besteht, aber ich glaube, ich habe schlechte Arbeit geleistet)))
Ja, +R ist, dass es wahrscheinlich schon alles Mögliche implementiert hat. ML für eine lange Zeit, sondern nur Modelle ohne retrain. Eines der letzten Dinge, die ich mit ML gemacht habe, war einfach
das Modell mit Ereignissen füllen, damit sie immer das Ziel treffen. Kombiniert man sie, erhält man in der Regel 93-96 %. Den Rest trainieren Sie. Mit anderen Worten.
Wenn Sie Ihrem Kind beigebracht haben, ein wenig zu laufen, müssen Sie ihm nicht jeden Tag dasselbe sagen, sondern nur, wann es über die Pfütze springen soll.
(keine Vorhersage im Ziel).ein wenig tropft, ist das Ziel sicherlich nicht die Farbe der Kerze)))
Ein bisschen tropft, das Ziel ist natürlich nicht die Farbe der Kerze)))
2 zum Thema der unvoreingenommenen Auswahl eines trainierten Modells gelesen:
http://stats.stackexchange.com/questions/65128/nested-cross-validation-for-model-selection
/go?link=https://stats.stackexchange.com/questions/178174/when-is-nested-cross-validation-really-needed-and-can-make-a-practical-differenc