Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3380
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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 MO wird die Fitnessfunktion verwendet, um das Modell durch Optimierung zu trainieren (Parameterauswahl). Das resultierende Modell wird anhand einer oder mehrerer Metriken bewertet. Häufig stimmt die Metrik NICHT mit der Fitnessfunktion überein. Aus mathematischer Sicht bedeutet dies, dass die MO ein multikriterielles Optimierungsproblem löst und nicht das übliche einkriterielle.
Ein weiterer signifikanter Unterschied zur konventionellen Optimierung ist das häufige Fehlen eines festen Satzes von Optimierungsparametern. Selbst bei einem regulären Baum ist dies bereits der Fall. Aus mathematischer Sicht führt dies zu einem Optimierungsproblem im FUNKTIONALEN Raum, statt wie üblich im numerischen Raum.
Beide Punkte machen MO-Probleme für die herkömmliche Optimierung irreduzibel.
In MO wird die Fitnessfunktion verwendet, um das Modell durch Optimierung zu trainieren (Parameterauswahl). Das resultierende Modell wird anhand einer oder mehrerer Metriken bewertet. Häufig stimmt die Metrik NICHT mit der Fitnessfunktion überein. Aus mathematischer Sicht bedeutet dies, dass die MO ein multikriterielles Optimierungsproblem löst und nicht das übliche einkriterielle.
Ein weiterer signifikanter Unterschied zur herkömmlichen Optimierung ist das häufige Fehlen eines festen Satzes von Optimierungsparametern. Selbst bei einem regulären Baum ist dies bereits der Fall. Aus mathematischer Sicht führt dies zu einem Optimierungsproblem im FUNKTIONSRAUM anstelle des üblichen im numerischen Raum.
Beide Punkte machen MO-Probleme für die herkömmliche Optimierung irreduzibel.
Es gibt eine ganz eigene Klasse von Algorithmen für die multikriterielle Optimierung. Aber wenn man sie richtig versteht, reduzieren sich Multikriterien auf zusätzliche Randbedingungen und separate Bewertungen.
Auch der Funktionsraum erfordert eine Bewertung. Alles erfordert immer eine Bewertung.
In MO wird die Fitnessfunktion verwendet, um das Modell durch Optimierung zu trainieren (Parameterauswahl). Das resultierende Modell wird anhand einer oder mehrerer Metriken bewertet. Häufig stimmt die Metrik NICHT mit der Fitnessfunktion überein. Aus mathematischer Sicht bedeutet dies, dass die MO ein multikriterielles Optimierungsproblem löst und nicht das übliche einkriterielle.
Ein weiterer signifikanter Unterschied zur herkömmlichen Optimierung ist das häufige Fehlen eines festen Satzes von Optimierungsparametern. Selbst bei einem regulären Baum ist dies bereits der Fall. Aus mathematischer Sicht führt dies zu einem Optimierungsproblem im FUNKTIONSRAUM anstelle des üblichen im numerischen Raum.
Beide Punkte machen MO-Probleme für die herkömmliche Optimierung irreduzibel.
Vielen Dank für die ausführliche Erklärung. Dennoch gab es einen Grund, das Thema FF anzusprechen. Hier ist er.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading
Maxim Dmitrievsky, 2024.01.10 19:27
Nun durch Re-Optimierung mit einer Prüfung auf OOS gefunden werden kann :), die den einfachsten Fall eines Wolfs vorwärts OR Kreuzvalidierung mit einer Falte ist.Es gibt eine ganz eigene Klasse von Algorithmen zur multikriteriellen Optimierung. Aber wenn man es richtig versteht, reduzieren sich Multikriterien auf zusätzliche Randbedingungen und separate Bewertungen.
Auch der Funktionsraum erfordert eine Bewertung. Alles erfordert immer eine Bewertung.
Die von mir genannten Merkmale wirken gleichzeitig, nicht einzeln, daher weiß ich nicht, welche Art von Grenzen Sie in Funktionsräumen aufbauen wollen.
Es wäre sinnvoller, wenn alle Teilnehmer des Threads mit den Grundlagen der modernen MO vertraut wären. Ein Lehrbuch von SHAD wäre eine gute Option.
Die von mir erwähnten Funktionen funktionieren nicht einzeln, sondern gleichzeitig, so dass ich nicht weiß, welche Art von Grenzen Sie in funktionalen Räumen aufbauen werden.
Ja, wir sprechen über die gleichzeitige Arbeit von separaten Komponenten in multifunktionalen Räumen. Beide Komponenten können in einem multifunktionalen Raum getrennt bewertet werden und alle zusammen - durch Meta-Evaluationen oder anders - durch integrale Evaluationen. Das eine beeinträchtigt das andere nicht. Alle Stufen der MO erfordern Bewertungen, und zu diesem Zweck gibt es viele spezielle Metriken, deren Maximierung das Wesen der Optimierung ist.
1) In MO wird die Fitnessfunktion verwendet, um das Modell durch Optimierung zu trainieren(Parameterauswahl). Das resultierende Modell wird anhand eineroder mehrerer Metriken bewertet. Oft stimmt die Metrik NICHT mit der Fitnessfunktion überein. Aus mathematischer Sicht bedeutet dies, dass die MO ein multikriterielles Optimierungsproblem löst und nicht das übliche einkriterielle.
2) Ein weiterer signifikanter Unterschied zur herkömmlichen Optimierung ist das häufige Fehlen eines festen Satzes von Optimierungsparametern. Selbst bei einem regulären Baum ist dies bereits der Fall. Aus mathematischer Sicht führt dies zu einem Optimierungsproblem im FUNKTIONSRAUM anstelle des üblichen im numerischen Raum.
Beide Punkte machen MO-Probleme für die herkömmliche Optimierung irreduzibel.
1)
Worin besteht der Widerspruch?
Parameterauswahl == Parametersuche im Optimierungsalgorithmus
Modellmetrik-Schätzung == FF mit z.B. Akurasi-Schätzung.
Was widersprechen Sie hier?
2)
Können Sie näher erläutern, worin Sie das Problem sehen? Ich sehe zum Beispiel nicht
Danke für die ausführliche Erklärung. Es gab noch einen Zusammenhang mit dem Aufgreifen des FF-Themas. Hier ist er.
Ich habe Ihre Frage gesehen, aber ich kann nichts Verständliches dazu sagen.
Und ich bin kein sehr guter Übersetzer der Sprache von Maxim)
Ja, es geht um die gleichzeitige Arbeit der einzelnen Komponenten in multifunktionalen Räumen. Beide Komponenten können getrennt in einem multifunktionalen Raum und alle zusammen - durch Meta-Evaluationen, oder anders - durch integrale Evaluationen bewertet werden. Das eine beeinträchtigt das andere nicht. Alle Stufen der MO erfordern Bewertungen, zu diesem Zweck gibt es viele spezielle Metriken, deren Maximierung das Wesen der Optimierung ist.
Ich habe Ihre Frage gesehen, kann aber nichts Verständliches dazu sagen.
Und ich bin kein sehr guter Übersetzer der Sprache von Maxim).
Es geht nicht um die Übersetzung.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading
fxsaber, 2024.01.10 19:43
Nehmen wir an, dass 100 Schritte gemacht werden - wir haben 100 Sätze von Eingaben. Wenn wir den Durchschnittssatz nach dem Prinzip"jede Eingabe ist gleich dem Durchschnitt der entsprechenden 100 Eingabesätze" bilden, ist es unwahrscheinlich, dass dieser Satz das gesamte Anfangsintervall gut bestehen wird.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading
Maxim Dmitrievsky, 2024.01.10 19:46
Wenn nicht, gibt es logischerweise überhaupt keine guten Sätze. In Bezug auf das Vertrauen in die Zukunft.Es ist klar, dass hundert Sätze von FF abhängen.
Geben Sie Referenzen an, wenn das nicht schwierig ist (Artikel, Bücher).
Ich habe mehrere hundert Bücher über neuronale Netze, MO, Optimierung und Mathematik in meinem Archiv. Ich habe einen Link zu diesem Archiv angegeben. Das Archiv war mehrere Jahre lang für jeden in der Cloud verfügbar, im Moment unterstütze ich dieses Archiv nicht, die Cloud mit dem Archiv existiert nicht mehr.
A.P. Karpenko hat viele Bücher zu diesen Themen, gute Bücher sind von Simon D.