Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1330
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
Mich beschäftigt eher eine andere Frage - warum die Graphen in verschiedenen Modellen bei verschiedenen Stichproben sehr ähnlich sind. Es scheint, dass die Modelle es schaffen, ein offensichtliches Muster zu erkennen, das mit häufiger Periodizität und bei verschiedenen Stichprobengrößen auftritt (zumindest ist dieses Stück ständig im Fenster), und es ist dieses Muster, das das Modell ausnutzt.
Ich bin zu dem Schluss gekommen, dass es in Ordnung ist, 30 % bis 70 % der Stichprobe aller Daten auf der Suche nach interessanten Mustern einem Validierungsplot zuzuweisen, aber es scheint, dass 30 % immer noch optimal sind.
vielleicht, weil Sie das gleiche Modell haben, aber mit einem anderen Samen? ))
Wenn das Modell randomisiert ist, bedeutet das nicht, dass der Startwert des Generators das Ergebnis stark beeinflusst.
Normale Modelle ändern sich kaum, das ist völlig zufällig. Das ist nur eine Überprüfung der Robustheit.
All diese Schlussfolgerungen konnten gezogen werden, ohne irgendetwas zu tun, ohne Experimente, sondern rein aus der Theorie.
30\70 sind reine Zufallsergebnisse. Die Schlussfolgerung, dass zwischen 30 und 70 asymptotisch nahe an 50 liegt. Es handelte sich nur um eine Teilstichprobe.
Vielleicht, weil Sie dasselbe Modell haben, aber mit einem anderen Samen? ))
Wenn das Modell randomisiert ist, bedeutet das nicht, dass der Startwert des Generators das Ergebnis stark beeinflusst.
Normale Modelle ändern sich kaum, das ist völlig zufällig. Das ist nur eine Überprüfung der Robustheit.
All diese Schlussfolgerungen konnten gezogen werden, ohne irgendetwas zu tun, ohne Experimente, sondern rein aus der Theorie.
Wenn Sie genau hinschauen, können Sie sehen, dass die finanziellen Ergebnisse der Modelle in einer Stichprobe stark variieren können - von 5000 bis 1500, also erheblich, was bedeutet, dass Seed einen Einfluss auf die Modelle hat. Ich nehme an, dass die ausgewählten Modelle ähnlich sind (ich werde das überprüfen), und sie haben leicht unterschiedliche Gewinnmargen, aber fast alle Modelle sind in der Mitte flach, was überraschend ist - sie irren sich in den gleichen Margen (Anomalie in den neuen Daten?).
Ich verstehe die Aussage "normale Modelle werden sich kaum ändern, völlig zufällige schon" nicht - der zweite Teil der Aussage widerspricht dem ersten.
30\70 sind reine Zufallsergebnisse. Die Schlussfolgerung, dass zwischen 30 und 70 asymptotisch nahe an 50 liegt. Es ist nur eine Unterstichprobe.
Das ist der Punkt - zufällig oder nicht, d. h. es hängt vom Inhalt der Stichprobe in diesem Abschnitt oder vom Datenvolumen in den Stichproben ab, das ist es, was wir verstehen müssen, was mehr Einfluss hat.
Wenn Sie genau hinsehen, können Sie feststellen, dass die finanziellen Ergebnisse der Modelle in derselben Stichprobe sehr unterschiedlich sein können - von 5000 bis 1500, d. h. erheblich, was bedeutet, dass Seed die Modelle beeinflusst. Ich nehme an, dass die ausgewählten Modelle ähnlich sind (ich werde das überprüfen), und sie haben leicht unterschiedliche Gewinnmargen, aber fast alle Modelle sind in der Mitte flach, was überraschend ist - sie irren sich in den gleichen Margen (Anomalie in den neuen Daten?).
Ich verstehe die Aussage "normale Modelle werden sich kaum ändern, absolut zufällige schon" nicht - der zweite Teil der Aussage widerspricht dem ersten.
Das ist der Punkt - Zufall oder nicht, d. h. es hängt vom Inhalt der Stichprobe in diesem Diagramm oder von der Menge der Daten in den Stichproben ab, das ist es, was verstanden werden muss, was mehr Einfluss hat.
Modelle mit geringem Fehler, d. h. qualitative Modelle, werden durch die Änderung des Saatguts nicht beeinflusst. Wenn Sie einen Zufallswert um 0,5 haben, erhalten Sie eine Menge verschiedener Modelle, weil Sie bei jedem Niesen des Zufalls zu viel Futter bekommen.
Modelle mit geringem Fehler, d. h. Qualitätsmodelle, werden durch Änderungen des Saatguts nicht beeinträchtigt. Wenn Random um 0,5 liegt, gibt es viele verschiedene Modelle, da für jeden Nieser von Random
Dies gilt wahrscheinlich für 99 % Genauigkeit, während mein Recall niedrig ist - 20 % für eine gute Maßnahme, d. h. potenziell die meisten 1en werden nicht erkannt und es gibt keine Eingaben, so dass verschiedene Modelle innerhalb des Bereichs 0-100 mit einem 20 %-Fenster arbeiten sollten.
Dies ist wahrscheinlich bei einer Genauigkeit von 99 % relevant, aber mein Recall-Wert ist niedrig - 20 %, d. h. potenziell werden die meisten 1en nicht erkannt und es werden keine Eingaben gemacht, so dass verschiedene Modelle zwischen 0 und 100 mit einem 20 %-Fenster funktionieren dürften.
Das ist nicht der richtige Weg, Sie sollten den Gesamtfehler des Modells reduzieren und nicht das Rad neu erfinden.
dann fallen alle Arten von seltsamen Ansätzen von selbst weg.
Ich habe schon 50 Mal geschrieben, dass man das Rad nicht neu erfinden muss, dieser Weg führt zu nichts.das ist nicht der richtige Weg, man muss den Gesamtfehler des Modells reduzieren und nicht ein Fahrrad erfinden
dann werden all diese seltsamen Ansätze von selbst verschwinden.
Ich habe Ihnen schon 50 Mal gesagt, dass Sie das Rad nicht neu erfinden müssen, dieser Weg führt zu nichts.Ich höre aufmerksam zu. Was können Sie noch tun, um den Fehler zu verringern?
Ich ändere die Zusammensetzung der Proben für diese Zwecke, ändere die Einstellungen für die Modellerstellung - was kann ich sonst noch tun?
Wer sich fragt, wie sich Saatgut auf Modelle auswirkt - nahm eine Stichprobe von 30%, alle Modelle - klicken Sie auf Animation
dies ist nicht der richtige Weg, Sie sollten den Gesamtfehler des Modells reduzieren und das Rad nicht neu erfinden
dann werden alle Arten von seltsamen Ansätzen von selbst verschwinden
Ich habe schon 50 Mal geschrieben, dass man das Rad nicht neu erfinden muss, denn dieser Weg führt ins Leere.Da bin ich anderer Meinung. Wenn die üblichen IO-Methoden auf dem Markt funktionieren würden, würde jeder damit Geld verdienen.
Das Nachholen von Fahrrädern sollte jedoch tagsüber erfolgen. Und nachts schlafen. Retten Sie Ihre Gesundheit.
Das Problem liegt nicht an den Standardmethoden, sondern an einem grundlegenden Mangel an Verständnis dafür, was man mit ihnen zu tun versucht und mit welchem Prozess man arbeitet
d.h. Mangel an wirtschaftlicher und mathematischer Bildung.
Es ist also wie ein Brownsches Teilchen, das umherwandert... vielleicht in diese oder jene Richtung...
Und jeder weigert sich, "komplizierte" Bücher zu lesen, vor allem in englischer Sprache.
Das Problem liegt nicht bei den Standardmethoden, sondern bei einem grundlegenden Missverständnis dessen, was Sie mit ihnen erreichen wollen.
Ein Paradebeispiel für Dummheit ist die Zick-Zack-Ausgabe.
Die Atommaschine von Reschetow ist das gleiche Fahrrad, das einige hier benutzen. Und es scheint erfolgreicher zu sein, mit dem Markt umzugehen als ein Standardprodukt.
Ich bin also für Fahrräder! ) Aber natürlich muss man auch wissen, was man mit ihnen anfangen soll.