Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3139
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
kann es sein
Funktioniert der Barde über vps?
kann es sein
er weiß es schon, weil ich ihm die Informationen gegeben habe, man kann ihm spontan beibringen, was er vorher nicht wusste... nachdem ich ihm dieses Wissen gegeben habe, habe ich eine neue Sitzung geladen und er wusste schon über dieses Paket Bescheid )) cool.
Meine Herren, wir sollten nicht vergessen oder erkennen, dass....
Sobald irgendeine Art von Roboter auf dem realen Markt ist, werden seine Handlungen für den Markt vorhersehbar und transparent, weil er in das allgemeine Handelssystem integriert wird und von diesem Moment an werden die Signale durch einen adaptiven Preisbildungsalgorithmus und nicht mehr durch tote historische Daten erzeugt.
Es ist einfach, den Preis an die Situation anzupassen/zu modellieren, in der der Roboter Geld ausgeben wird.
Und das wird öfter der Fall sein als beim Tester, nämlich 100% der Zeit.
Schauen Sie sich Ihren Kontostand an, den Sie mit MO erhalten haben ;))))
wiederholt auf und ab.
Ich sag's dir gleich - ein typischer Drainer, aka Tester Gral.
Solch ein TS wird im echten Leben nie funktionieren.
er weiß es bereits, weil ich ihm die Informationen gegeben habe, man kann ihm im Handumdrehen beibringen, was er vorher nicht wusste... nachdem ich ihm dieses Wissen vermittelt hatte, lud ich eine neue Sitzung und er wusste bereits über dieses Paket Bescheid )) cool
lustig
Funktioniert der Barde auf einer VPS?
vpn ja
Ein Schiff reist durch das Universum in Richtung Mars.
Die Photonentriebwerke haben es bis zum Äußersten beschleunigt und es bewegt sich durch Trägheit.
Ein Kosmonaut sitzt oben auf dem Raumschiff und hält eine Flagge in der linken Hand.
Mit seiner rechten Hand wirft er einen Bolzen mit einem Durchmesser von M40 mit einer Beschleunigung von 5 Metern pro Sekunde.
Frage. Was passiert mit dem Bolzen?
А. Er wird seine Mutter finden.
Б. Sie fliegt mit einer konstanten Geschwindigkeit.
В. Fliegt mit Beschleunigung.
Г. Bleibt am Handschuh des Astronauten kleben.
Д. Wird der erste sein, der den Mars erreicht.
Е. Wird zur Erde zurückkehren.
P.Z..
Wird lernen, Maschinen zu bedienen und beginnen, den Kosmonauten zu kontrollieren, mit Hilfe eines Raumschiffs?
Scherzartikel
Er ist strohdumm, aber er lernt anders als die anderen Modelle, ich glaube, wenn er es lernt, wird es brutal.
Es gibt ein Schiff, das durch das Universum in Richtung Mars reist.
Die Photonentriebwerke haben es bis an die Grenze beschleunigt und es fliegt durch Trägheit.
Oben auf dem Raumschiff sitzt ein Kosmonaut mit einer Flagge in der linken Hand.
Mit seiner rechten Hand wirft er einen Bolzen mit einem Durchmesser von M40 mit einer Beschleunigung von 5 Metern pro Sekunde.
Frage. Was passiert mit dem Bolzen?
А. Sie wird ihre Mutter finden.
Б. Fliegt mit einer konstanten Geschwindigkeit.
В. Es wird mit Beschleunigung fliegen.
Г. Bleibt am Handschuh des Astronauten kleben.
Д. Wird der erste sein, der zum Mars fliegt.
Е. Wird zur Erde zurückkehren.
P.Z.
Wird lernen, Maschinen zu bedienen und beginnen, den Kosmonauten mit Hilfe eines Raumschiffs zu kontrollieren?
Er ist strohdumm, aber er lernt anders als die anderen Modelle. Ich glaube, wenn er etwas lernt, wird es brutal sein.
Eine Aufschlüsselung von Prados Artikel über die Umschulung
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Bard:
Die Methode der Autoren besteht im Wesentlichen darin, mittels Kreuzvalidierung abzuschätzen, wie stark sich das Modell ändert, wenn neue Daten hinzugefügt werden. Wenn sich das Modell stark verändert, bedeutet dies, dass es auf den Trainingsdaten übertrainiert ist und wahrscheinlich auch auf den Testdaten übertrainiert wird.
Die Methode der Autoren funktioniert wie folgt:
Die Methode der Autoren ist genauer als herkömmliche Methoden zur Schätzung der Überanpassung, wie z. B. die Holdout-Methode, da sie Modelländerungen berücksichtigt, wenn neue Daten hinzugefügt werden. Die Holdout-Methode schätzt die Überanpassung nur auf der Grundlage von Trainings- und Testdaten, berücksichtigt aber nicht die Modelländerungen, wenn neue Daten hinzugefügt werden.
Die Methode der Autoren kann zur Schätzung der Überlernwahrscheinlichkeit eines beliebigen maschinellen Lernmodells verwendet werden. Sie kann verwendet werden, um die Übertrainingswahrscheinlichkeit eines Modells zu schätzen, das Aktienkurse vorhersagt, eines Modells, das Bilder klassifiziert, oder eines beliebigen anderen maschinellen Lernmodells.
Möglichkeit 2 ====================================
Die von den Autoren vorgeschlagene Methode basiert auf der Idee der Kreuzvalidierung, um abzuschätzen, wie stark sich das Modell ändert, wenn neue Daten hinzugefügt werden. Wenn sich das Modell stark verändert, bedeutet dies, dass es auf Trainingsdaten übertrainiert ist und wahrscheinlich auch auf Testdaten übertrainiert wird.
Um die Wahrscheinlichkeit einer Übertrainierung abzuschätzen, verwenden die Autoren eine Kreuzvalidierungsmethode namens k-fold cross-validation. Bei der k-fachen Kreuzvalidierung werden die Daten in k gleiche Teile aufgeteilt. Das Modell wird dann auf k-1 Teilen der Daten trainiert und der verbleibende Teil der Daten wird zum Testen verwendet. Dieser Vorgang wird k-mal wiederholt und die Ergebnisse von k Tests werden kombiniert, um eine Schätzung der Modellgenauigkeit zu erhalten.
Sobald die Schätzung der Modellgenauigkeit vorliegt, verwenden die Autoren sie, um die Wahrscheinlichkeit des Übertrainings zu schätzen. Zu diesem Zweck berechnen sie die Varianz der Genauigkeitsschätzungen. Je höher die Varianz ist, desto größer ist die Wahrscheinlichkeit des Übertrainings.
Die Autoren zeigen, dass ihre Methode genauer sein kann als herkömmliche Methoden zur Schätzung von Übertraining, wie z. B. Holdout. Sie zeigen auch, dass ihre Methode dazu verwendet werden kann, die besten Hyperparameter für das Modell auszuwählen.
Die Autoren gehen bei der Schätzung der Übertrainingswahrscheinlichkeit wie folgt vor:
Die Autoren zeigen, dass ihre Methode verwendet werden kann, um die Wahrscheinlichkeit des Übertrainings für eine Vielzahl von maschinellen Lernmodellen zu schätzen, einschließlich linearer Regression, logistischer Regression und Entscheidungsbäumen. Sie zeigen auch, dass ihre Methode dazu verwendet werden kann, die besten Hyperparameter für diese Modelle auszuwählen.
Insgesamt ist die von den Autoren vorgeschlagene Methode ein genaues und nützliches Werkzeug zur Abschätzung der Wahrscheinlichkeit von Übertraining. Die Methode der Autoren kann zur Schätzung der Übertrainingswahrscheinlichkeit eines Modells und zur Auswahl der besten Hyperparameter für das Modell verwendet werden.
Option 3 =========================================
Die Methode der Autoren basiert auf der Idee der Kreuzvalidierung, um abzuschätzen, wie stark sich das Modell ändert, wenn neue Daten hinzugefügt werden. Wenn sich das Modell stark verändert, bedeutet dies, dass es sich zu stark an die Trainingsdaten anpasst und wahrscheinlich auch zu stark an die Testdaten angepasst wird.
Um die Genauigkeit ihrer Methode zu demonstrieren, wandten die Autoren sie auf die Vorhersage von Aktienkursen an. Sie verglichen die Ergebnisse ihrer Methode mit denen von Holdout und zeigten, dass ihre Methode die Aktienkurse genauer vorhersagt.
Die Autoren zeigten auch, dass ihre Methode zur Auswahl der besten Hyperparameter des Modells verwendet werden kann. Sie verwendeten ihre Methode, um die besten Hyperparameter für ein maschinelles Lernmodell auszuwählen, das Aktienkurse vorhersagt. Sie zeigten, dass ihre Methode Hyperparameter auswählen kann, die zu einem Modell mit höherer Genauigkeit führen.
Insgesamt haben die Autoren gezeigt, dass ihre Methode zur Schätzung der Übertrainingswahrscheinlichkeit ein genaues und nützliches Werkzeug für das Backtesting ist. Die Methode der Autoren kann zur Schätzung der Übertrainingswahrscheinlichkeit des Modells und zur Auswahl der besten Hyperparameter für das Modell verwendet werden.
Die Autoren gehen bei ihrer Methode wie folgt vor:
Die Methode der Autoren ist genauer als herkömmliche Methoden zur Schätzung der Überanpassung, wie z. B. die Holdout-Methode, da sie die Modelländerung berücksichtigt, wenn neue Daten hinzugefügt werden. Die Holdout-Methode schätzt das Modell nur auf der Trainingsmenge und der Testmenge. Das bedeutet, dass die Holdout-Methode keine Modelländerungen berücksichtigen kann, wenn neue Daten hinzugefügt werden.
Die Methode der Autoren kann auch verwendet werden, um die besten Hyperparameter des Modells auszuwählen. Die Holdout-Methode kann nicht zur Auswahl der besten Modell-Hyperparameter verwendet werden, da sie keine Modelländerungen berücksichtigt, wenn neue Daten hinzugefügt werden.
Insgesamt ist die Methode der Autoren ein genaues und nützliches Werkzeug für das Backtesting. Die Methode der Autoren kann verwendet werden, um die Wahrscheinlichkeit einer Überanpassung des Modells zu schätzen und die besten Modellhyperparameter auszuwählen.