Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2627
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
Ich habe verschiedene Möglichkeiten verglichen , die Bedeutung der Attribute zu bewerten. Ich habe die ressourcenintensivste Variante als Maßstab genommen: das Lernen des Modells, indem ich die Attribute eines nach dem anderen entfernt habe.
Die schnellen Methoden stimmen nicht mit der Benchmark überein. Und sie stimmen nicht miteinander überein. fselector ist sogar noch schneller, aber ich denke, er wird auch nicht mit irgendetwas übereinstimmen.
Die Bedeutung der Zeichen im beweglichen Fenster (Indikatoren und Preise)
In einem Moment kann der Indikator 10% wichtig sein und in einem anderen Moment 0,05%, so ist das Leben)
Wenn Sie denken, dass die Querbewertung alles löst, sollten Sie erröten, es ist Zeit ...
Die Daten im gleitenden Fenster werden für jedes Modell verwendet.
Die Kreuzvalidierung wird verwendet, um die Trainingsergebnisse mehrerer Modelle abzugleichen, die mit unterschiedlichen Daten trainiert wurden.
Modelle für Daten ohne Schiebefenster können auch auf verschiedenen Teilen dieser Daten trainiert werden und erhalten ebenfalls eine Kreuzvalidierung.
Es ist nicht klar, was die Kreuzvalidierung damit zu tun hat.
Die Daten im gleitenden Fenster werden für jedes Modell verwendet.
Die Kreuzvalidierung wird verwendet, um die Trainingsergebnisse mehrerer Modelle anzudocken, die mit unterschiedlichen Daten trainiert wurden.
Modelle für Daten ohne Schiebefenster können auch auf verschiedenen Teilen dieser Daten trainiert werden und erhalten ebenfalls eine Kreuzvalidierung.
Die Idee dahinter ist, dass ein gleitendes Fenster mit der gleichen Breite das Problem nicht löst. Es empfiehlt sich, die Anzahl der Durchläufe pro Dimension zu erhöhen und die Breite des Fensters bei jedem Schritt zu ändern. Da ist der Fluch wieder)))
Was hat die Kreuzvalidierung damit zu tun?
Die Daten im gleitenden Fenster werden für jedes Modell verwendet.
Die Kreuzvalidierung wird verwendet, um die Trainingsergebnisse mehrerer Modelle abzugleichen, die mit unterschiedlichen Daten trainiert wurden.
Modelle für Daten ohne Schiebefenster können auch auf verschiedenen Teilen dieser Daten trainiert werden und erhalten ebenfalls eine Kreuzvalidierung.
Cool...
Welchen Zweck erfüllt die Wichtigkeitsbewertung? Indem man die unwichtigen entfernt, kann man das Modell in Zukunft schneller trainieren, ohne an Qualität zu verlieren. Es geht lediglich darum, die Daten und das Modell, die bereits funktionieren, zu optimieren. Und weder Sie noch ich (wie ich annehme) haben noch etwas zu tunen.
Also einfach das Modell unterrichten. Das Modell verwendet die wichtigen und nicht die unwichtigen Daten.
Noch nicht wach?))
Ich bin anderer Meinung.
Die Kreuzvalidierung ist die Möglichkeit, ein Modell zu verwerfen, das zufällig in einem Teil der Vergangenheit erfolgreich war. Das Testen einiger Teile der Geschichte könnte zeigen, dass es dort nicht funktioniert.
Nur die Kreuzvalidierung zeigt, dass die Zeichen und das Modell fließend sind.
Dieser "Float" wird Ihnen durch eine andere Methode, die Kreuzvalidierung, angezeigt.
Die Idee dahinter ist, dass ein gleitendes Fenster mit der gleichen Breite das Problem nicht löst. Es empfiehlt sich, die Anzahl der Durchläufe pro Dimension zu erhöhen und die Breite des Fensters bei jedem Schritt zu ändern. Verdammt, schon wieder)))
Verdammt noch mal, die Sonne ist draußen, es ist Zeit, die Badehose anzuziehen und in den Garten zu gehen
Der Test mit kleinen Daten zeigt, dass die schnellen Methoden nicht gut funktionieren.
Was ist der Zweck des Wichtigkeitstests? Indem man die unwichtigen entfernt, kann man das Modell in Zukunft schneller trainieren, ohne an Qualität zu verlieren. Es geht lediglich darum, die Daten und das Modell, die bereits funktionieren, zu optimieren. Und weder Sie noch ich (wie ich annehme) haben etwas anderes zu tunen.
Ich unterrichte also einfach das Modell. Das Modell selbst wird die wichtigen verwenden und die unwichtigen nicht nutzen.
Was ist, wenn ich ein Neuron erstellen möchte, das eine qualitative Ausgabe erzeugt?
Was die Kreuzvalidierung betrifft, so haben Sie noch immer nicht erklärt, warum sie schlecht ist. Meine Experimente zeigen, dass dies eine funktionierende Methode ist, um schlechte Modelle/Ideen auszusortieren.