Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2793
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
In erster Näherung haben Sie sicherlich Recht - man sollte eine endgültige Schätzung haben, wenn Sie mit der Schätzung eines Modells seine Leistungsmaße meinen.
Aber es gibt eine Nuance, die alles überwiegt.
Die Bewertung eines Modells anhand seiner Leistung ist eine Bewertung anhand historischer Daten. Aber wie wird sich das Modell in der Zukunft verhalten?
Bewerten Sie den Valving-Forward-Test.
Bewerten Sie Walking Forward mit einem Test.
Es ist eine Bewertung der gesamten Herde. Und lausige Schafe werden Stück für Stück ausgemerzt.
Es ist eine Bewertung der gesamten Herde. Und miserable Schafe werden Stück für Stück ausgemerzt.
Bei 500 Balken zu schätzen ist überhaupt nicht eine Statistik, können Sie alles passen, durch das Gesetz der großen Zahlen
50 fics = 50 valking fovard Tests mit fics entfernt 1 zu einer Zeit. Es ist lang, aber das Ergebnis wird durch das Modell erhalten.
Auf diese Weise können Sie das Ergebnis nur im Falle einer vollständigen Unabhängigkeit der Merkmale erhalten, und das ist nicht der Fall.
Bei 500 Balken zu schätzen ist überhaupt nicht eine Statistik, können Sie alles passen, durch das Gesetz der großen Zahlen
Es reicht völlig aus, die Vorhersagekraft zu bewerten. Es ist möglich, Fiches auszuwählen, die den Vorhersagefehler des Lehrers bis zu 20% mit der Schiebefenstertechnik geben.
Sie können mit dieser Methode nur dann Ergebnisse erzielen, wenn Sie völlig unabhängig von den Merkmalen sind, und das ist nicht der Fall.
Sie geben die gleichen Daten in Ihre Pakete ein. Sie können auch nichts herausfinden?
Bei der Vorverarbeitung entferne ich in einem Schritt korrelierte Chips. Von 170 bleiben etwa 50 übrig, wenn die Korrelation nicht höher als 75% (!) ist. Wenn die Korrelation nicht höher als 50% ist, bleiben ein paar Stücke übrig. Aber ich habe mir nicht das Ziel gesetzt, NICHT korrelierte Fiches zu sammeln.
Bei der Vorverarbeitung entferne ich in einem Schritt korrelierte Merkmale. Von 170 bleiben etwa 50 übrig, wenn die Korrelation nicht höher als 75% (!) ist. Wenn die Korrelation nicht höher als 50% ist, bleiben ein paar Stücke übrig. Aber ich habe mir nicht das Ziel gesetzt, NICHT korrelierte Fiches zu sammeln.
Diese 50 sind diejenigen, die man mit dem Modell überprüfen kann.
Sie sind also korreliert! Das Ergebnis hängt von der Reihenfolge ab, in der die Merkmale aussortiert werden.