Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 789
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
Verstehe ich das richtig, dass AUTO ARIMA alles von selbst berechnet, ich muss nur die Kurse laden.
Ich habe auf mehreren Websites nachgesehen, und überall wird das ARIMA(0,1,0)-Modell verwendet.
Hier ist ein Bild der Situation, nur weil Sie diesen Rückgang drei Takte vorher gesehen haben, heißt das nicht, dass Sie ihn jetzt berücksichtigen.
Schönes Bild, ich werde es als Beispiel verwenden...
Wenn es keinen Fehler in der Vorhersage gibt, wie können wir ein Minus bekommen, wenn wir sehen, dass es einen Rückgang geben wird. Wenn die Nulllinie mit umgekehrtem Vorzeichen schließt, wissen wir, dass es einen Rückgang geben wird. Ich hoffe, es wird keine Fragen zu diesem Bild geben..... Wir haben das Fenster zufällig gewählt, aber wir prognostizieren jeden Balken in diesem Fenster und folglich, wenn der dritte Balken Null ist und wir einen großen Unterschied in der Prognose sehen, verkaufen wir. Aber wenn wir einen leichten Modulunterschied in der Vorhersage auf dem ersten Balken gesehen haben, wissen wir bereits, auf welchem Balken es einen signifikanten Anstieg geben wird. Es gibt nur zwei Missverständnisse, die das Problem sind. Zunächst erkläre ich mich, indem ich einige Punkte auslasse, die meiner Meinung nach offensichtlich sind. Zweitens, Sie verstehen es nicht, weil Ihnen die Erfahrung fehlt. Aber es ist normal, Fragen zu stellen, also lassen Sie uns fortfahren ...
Nettes Bild, ich werde es als Beispiel verwenden...
Wie können wir also ohne Fehler in der Vorhersage ein Minus bekommen, wenn wir sehen können, dass es einen Rückgang geben wird. Wenn die Nulllinie mit umgekehrtem Vorzeichen schließt, wissen wir, dass es einen Rückgang geben wird. Ich hoffe, es wird keine Fragen zu diesem Bild geben..... Wir haben das Fenster zufällig gewählt, aber wir prognostizieren jeden Balken in diesem Fenster und folglich, wenn der dritte Balken Null ist und wir einen großen Unterschied in der Prognose sehen, verkaufen wir. Aber wenn wir einen leichten Modulunterschied in der Vorhersage auf dem ersten Balken gesehen haben, wissen wir bereits, auf welchem Balken es einen signifikanten Anstieg geben wird. Es gibt nur zwei Missverständnisse, die das Problem sind. Zunächst erkläre ich mich, indem ich einige Punkte auslasse, die meiner Meinung nach offensichtlich sind. Zweitens, Sie verstehen es nicht, weil Ihnen die Erfahrung fehlt. Aber es ist in Ordnung, Fragen zu stellen, also lassen Sie uns fortfahren...
Wenn ich mir die Statistiken anschaue, glaube ich nicht, dass sie auf Prognosen beruhen, und ich glaube auch nicht, dass sie darauf beruhen sollten, aber sie können auf Prognosen beruhen. Bei einer 100%igen Vorhersage ist das alles sehr gut, aber was ist zu tun, wenn die Vorhersage nur zu 90% eintrifft, denn 10% falsche Vorhersagen können das Gleichgewicht zu sehr stören.
Ich glaube, ich werde heute erst spät nach Hause kommen, aber ich wollte schon seit ein paar Tagen einen langen Beitrag schreiben. Ich werde es jetzt tun und sehen. Doch zunächst eine kleine Anmerkung.
Der schriftliche Teil des Artikels wird in der Tat im Blog veröffentlicht und mit ihm verlinkt. Anstelle dieses Artikels habe ich dann begonnen, einen anderen zu schreiben, der wie "Methodische Richtlinien für die Arbeit im maschinellen Lernen" klingt. Eines Tages ging ich durch die Stadt und dachte, es wäre schön, eine Methodik zu haben, wie in den Universitäten, die ohne Wasser, die grundlegenden Regeln, was man tun kann und was nicht, beschrieben würde. Nun, wie man so schön sagt: Abwarten und Tee trinken. Und nun zum Thema des langen Beitrags. Der ganze Sinn von.....
In diesem Monat habe ich einen Durchbruch gemacht und Sie sehen es deutlich, jemand erkennt es, und jemand widerlegt, aber niemand hat eine Frage, dass Reshetova Optimierer Ich habe lange gehabt, aber ein gutes Modell zu bekommen, begann ich, wenn der Arzt füllen Sie mir die Befehle aus dem P mit Erklärungen und am nächsten Tag erhielt ich die Ergebnisse von Tests, die ich nie in allen 15 Jahren gesehen haben. Ich weiß, dass es nicht um die Rolle geht und der Optimierer gute Arbeit leistet, aber es geht nicht um ihn. Ich bin mir nur zu 100 % sicher, dass es nicht der einzige Optimierer der Welt ist, der die beste Arbeit leistet. Natürlich ist das nicht der Fall. Die meisten P-Pakete funktionieren genauso gut wie dieses. Wo liegt also das Problem? Warum sind die Ergebnisse so schlecht und das gesamte Rückgrat der Branche des maschinellen Lernens wird immer noch gesucht und kann nicht gefunden werden. Die Antwort ist einfach. Sie machen in der einen oder anderen Phase der Vorbereitung des Modells Fehler. Logischerweise denken Sie, dass Sie das Richtige tun, wenn Sie sich für eine bestimmte Vorhersage oder Umwandlung entscheiden, aber Sie machen einen kleinen Fehler, weil Sie denken, dass Sie richtig liegen, aber in Wirklichkeit liegen Sie nicht richtig.
Deshalb habe ich begonnen, über Regression zu sprechen, um herauszufinden, was man tun kann und was nicht. Ich bin meinem eigenen Missverständnis auf folgende Weise begegnet. Logisch, wenn Sie darüber nachdenken. Das Modell mit mehr Eingaben und längerem Polynom ist angeblich intelligenter und parametrischer, aber die Praxis zeigte genau das Gegenteil, als Modelle mit minimaler Anzahl von Eingaben auf Rückkopplungen mehr verdienten als Modelle mit mehr Eingaben. Das ist das Beispiel, bei dem man denkt, dass man von der Logik her Recht hat, aber in der Praxis stellt sich heraus, dass man es nicht hat.
Das Problem des maschinellen Lernens liegt jedoch nicht in der Methode zur Erstellung eines Modells oder in der Anwendung von supergeheimen Transformationen. Die Haupt-Achillesferse ist etwas anderes und ich kann es an einem Beispiel erklären, es wird verständlich sein und ich werde gleichzeitig Maxim's Bilder zerschlagen.
Nehmen wir an, wir haben ein System entwickelt, um ein Regressions- oder Klassifikationsmodell zu erhalten. Und wir glauben, dass wir bei der Entwicklung keine groben Fehler gemacht haben. Angenommen.
Wir haben eine Ausbildungsakte. Wir lassen es 10 Mal zur Optimierung laufen und erhalten 10 Modelle. Die schwierigste Frage für mich war also. Wie wählt man ein Modell aus, das nicht über- oder untertrainiert ist, sondern dem Markt angemessen ist usw. Genau diese Frage ist die Achillesferse. Sie haben vielleicht ein KI-System entwickelt und dabei einige Fehler gemacht, aber das bedeutet nicht, dass Ihr System KEIN verallgemeinerndes Modell generieren kann.
Die Qualität eines KI-Systems wird genau durch die Anzahl der geeigneten Modelle im Verhältnis zur Gesamtzahl der Optimierungen definiert. Nehmen wir an, ein System liefert von 100 Optimierungen nur ein verwendbares Modell, und das zweite System liefert von denselben 100 Optimierungen 20 verwendbare Modelle. Es ist klar, dass das zweite System besser ist als das erste, da es bei gleichem Umfang an Optimierungen mehr korrekte Modelle aufweist als das erste System. Zum Beispiel Optimizer Reshetova von vier Modellen (in der Regel machen sie nicht mehr als vier) gibt ein bis zwei Modelle geeignet. Manchmal sind vier nicht genug. Kein Problem, bei der fünften, sechsten oder zehnten Optimierung wird es ein marktgerechtes Modell geben. Das Interessanteste ist nun, wie man dieses Modell identifizieren und finden kann. Ich habe einen Weg gefunden. Ich gehe dabei folgendermaßen vor. Ich erstelle eine Trainingsdatei und führe vier Trainings durch. Dann bewerte ich diese Modelle und wähle dasjenige aus, das am besten geeignet ist, und dazu brauche ich nur einen Auslöseabschnitt, in dem eine Validierung oder ein Test während des Auslösevorgangs stattfindet. Ich lasse einen kleinen Abschnitt des OOS in Form von 3-4 Signalen, um mich endgültig davon zu überzeugen, dass es das ist, und dann stelle ich es auf die Straße. Deshalb ist die Frage der Modellauswahl eine der wichtigsten bei der Vorbereitung von TS. Ich werde fortfahren.
Verstehe ich das richtig, dass AUTO ARIMA alles von selbst berechnet, ich muss nur die Kurse laden.
Ich habe es auf mehreren Diagrammen überprüft und es zeigt überall ARIMA(0,1,0).
auto.arima {forecast} > y <- dd$OPEN > auto.arima(y) Series: y ARIMA(3,1,5) Coefficients: ar1 ar2 ar3 ma1 ma2 ma3 ma4 ma5 0.3956 0.4421 -0.6151 -0.4159 -0.4165 0.6288 -0.0257 -0.0515 s.e. 0.0904 0.0701 0.0827 0.0905 0.0708 0.0797 0.0105 0.0115 sigma^2 estimated as 3.406 e-06: log likelihood=66279.3 AIC=-132540.6 AICc=-132540.6 BIC=-132473Ich habe geschrieben und das Forum hat gepatzt, also lies es so. Ich kann es nicht umschreiben...
Ich glaube, ich werde heute erst spät nach Hause kommen, aber ich wollte schon seit ein paar Tagen einen langen Beitrag schreiben. Ich werde es jetzt tun und sehen. Doch zunächst eine kleine Anmerkung.
Der schriftliche Teil des Artikels wird in der Tat im Blog veröffentlicht und mit ihm verlinkt. Anstelle dieses Artikels habe ich dann begonnen, einen anderen zu schreiben, der wie "Methodische Richtlinien für die Arbeit im maschinellen Lernen" klingt. Eines Tages ging ich durch die Stadt und dachte, es wäre schön, eine Methodik zu haben, wie in den Universitäten, die ohne Wasser die Grundregeln beschreibt, was man tun kann und was nicht. Nun, wie man so schön sagt: Abwarten und Tee trinken. Und nun zum Thema des langen Beitrags. Der ganze Sinn von.....
In diesem Monat habe ich einen Durchbruch gemacht und Sie sehen es deutlich, jemand erkennt es, und jemand widerlegt, aber niemand hat eine Frage, dass Reshetova Optimierer Ich habe lange gehabt, aber ein gutes Modell zu bekommen, begann ich, wenn der Arzt füllen Sie mir die Befehle aus dem P mit Erklärungen und am nächsten Tag erhielt ich die Ergebnisse von Tests, die ich nie in allen 15 Jahren gesehen haben. Ich weiß, dass es nicht um die Rolle geht und der Optimierer gute Arbeit leistet, aber es geht nicht um ihn. Ich bin mir nur zu 100 % sicher, dass es nicht der einzige Optimierer der Welt ist, der die beste Arbeit leistet. Natürlich ist das nicht der Fall. Die meisten P-Pakete funktionieren genauso gut wie dieses. Wo liegt also das Problem? Warum sind die Ergebnisse so schlecht und das gesamte Rückgrat der Branche des maschinellen Lernens wird immer noch gesucht und kann nicht gefunden werden. Die Antwort ist einfach. Sie machen in der einen oder anderen Phase der Vorbereitung des Modells Fehler. Logischerweise denken Sie, dass Sie das Richtige tun, wenn Sie sich für eine bestimmte Vorhersage oder Umwandlung entscheiden, aber Sie machen einen kleinen Fehler, weil Sie denken, dass Sie richtig liegen, aber in Wirklichkeit liegen Sie nicht richtig.
Deshalb habe ich begonnen, über Regression zu sprechen, um herauszufinden, was man tun kann und was nicht. Ich bin meinem eigenen Missverständnis auf folgende Weise begegnet. Logisch, wenn Sie darüber nachdenken. Das Modell mit mehr Eingaben und längerem Polynom ist angeblich intelligenter und parametrischer, aber die Praxis zeigte genau das Gegenteil, als Modelle mit minimaler Anzahl von Eingaben auf Rückkopplungen mehr verdienten als Modelle mit mehr Eingaben. Das ist das Beispiel, bei dem man denkt, dass man von der Logik her Recht hat, aber in der Praxis stellt sich heraus, dass man es nicht hat.
Das Problem des maschinellen Lernens liegt jedoch nicht in der Methode zur Erstellung eines Modells oder in der Anwendung von supergeheimen Transformationen. Die Haupt-Achillesferse ist etwas anderes und ich kann es an einem Beispiel erklären, es wird verständlich sein und ich werde gleichzeitig Maxim's Bilder zerschlagen.
Nehmen wir an, wir haben ein System entwickelt, um ein Regressions- oder Klassifikationsmodell zu erhalten. Und wir glauben, dass wir bei der Entwicklung keine groben Fehler gemacht haben. Angenommen.
Wir haben eine Ausbildungsakte. Wir lassen es 10 Mal zur Optimierung laufen und erhalten 10 Modelle. Die schwierigste Frage für mich war also. Wie wählt man ein Modell aus, das nicht über- oder untertrainiert ist, sondern dem Markt angemessen ist usw. Genau diese Frage ist die Achillesferse. Sie haben vielleicht ein KI-System entwickelt und dabei einige Fehler gemacht, aber das bedeutet nicht, dass Ihr System KEIN verallgemeinerndes Modell generieren kann.
Die Qualität eines KI-Systems wird genau durch die Anzahl der geeigneten Modelle im Verhältnis zur Gesamtzahl der Optimierungen definiert. Angenommen, ein System liefert von 100 Optimierungen nur ein verwendbares Modell, und das zweite System liefert von denselben 100 Optimierungen 20 verwendbare Modelle. Es ist klar, dass das zweite System besser ist als das erste, da es bei gleichem Umfang an Optimierungen mehr korrekte Modelle aufweist als das erste System. Zum Beispiel Optimizer Reshetova von vier Modellen (in der Regel machen sie nicht mehr als vier) gibt ein bis zwei Modelle geeignet. Manchmal sind vier nicht genug. Kein Problem, bei der fünften, sechsten oder zehnten Optimierung wird es ein marktgerechtes Modell geben. Das Interessanteste ist nun, wie man dieses Modell identifizieren und finden kann. Ich habe einen Weg gefunden. Ich gehe dabei folgendermaßen vor. Ich erstelle eine Trainingsdatei und führe vier Trainings durch. Dann bewerte ich diese Modelle und wähle dasjenige aus, das am besten geeignet ist, und dazu brauche ich nur einen Auslöseabschnitt, in dem eine Validierung oder ein Test während des Auslösevorgangs stattfindet. Ich lasse einen kleinen Abschnitt des OOS in Form von 3-4 Signalen, um mich endgültig davon zu überzeugen, dass es das ist, und dann stelle ich es auf die Straße. Deshalb ist die Frage der Modellauswahl eine der wichtigsten bei der Vorbereitung von TS. Ich werde fortfahren.
Ich kann diesen Unsinn nicht mehr lesen, du bringst mich um.
der Rest von euch Kapitänen der Offensichtlichkeit und Gendarmen der Klarheit
verpiss dich)
Ich kann diesen verrückten Blödsinn nicht mehr lesen, du bringst mich um.
Der Rest von euch Kapitänen der Offensichtlichkeit und Gendarmen der Klarheit
verpiss dich)
Er schrieb, dass er betrunken war und zwei Nächte lang wach blieb. Er wollte "reden").
Mihail Marchukajtes:
Im Allgemeinen, Mikhail, sollten Sie nachts schlafen.
Ich kann diesen ganzen verrückten Mist nicht mehr lesen, du bringst mich um.
Der Rest von euch Kapitänen der Offensichtlichkeit und Gendarmen der Klarheit
Ich haue ab.)
Max hat mit Sicherheit einen Gral gefunden))
das Thema hat den Rahmen der Vernunft gesprengt - manche Menschen sind schon lange starr und besessen von Übertraining und "Paketen"
Manche Leute sind immer noch dieselben wie die Dummköpfe im Verteidigungsministerium.
Es ist nicht so, dass das Thema irgendwo verschwunden ist - es ist "unscharf". Es gibt keine regelmäßige Moderation. Ein Haufen, noch schlimmer als mein Thread.
Aber wir müssen warten, bis der Mann mit dem Gral in den Vordergrund tritt.
Wir warten.