Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2480

 
Dmytryi Nazarchuk #:

Bei der Anwendung von Methoden des maschinellen Lernens auf RUNNING ist es praktisch unmöglich, die gleiche abhängige Variable für den gleichen Satz von Eingangsvariablen zu erhalten. Unterschiedliche Werte der abhängigen Variable erzeugen einen Vorhersagefehler, der minimiert werden muss.

In diesem ganzen Thread geht es darum, den Vorhersagefehler zu minimieren, aksakal.

Einfache Wahrheiten....

Sind Sie sich der Tatsache bewusst, dass es solche Trainingsmethoden gibt, bei denen die Fehlerminimierung nicht nach Zeit, sondern nach tatsächlichem Ergebnis unendlich lang sein kann, und dass der beim Training erzielte minimale Fehlerwert kein Kriterium für die Bewertung der Verallgemeinerbarkeit des Modells ist. Angenommen, die Backpropagation-Methode ist in der Lage, den Fehler bei beliebigen Daten auf Null zu minimieren, aber in der Regel sind solche Modelle nicht verallgemeinerbar und schneiden bei neuen Daten schlecht ab. Mit dieser Methode kann also der Fehler bei widersprüchlichen Daten auf Null reduziert werden, sie ist aber in der Praxis wenig hilfreich. Glauben Sie mir also, dass die Minimierung von Fehlern in der Ausbildung kein ausreichender Ansatz für die Ausbildung ist!
 
mytarmailS #:

warum zufällig?

Ganz genau. Die Zeitreihen an der Börse sind nicht von vornherein stationär, aber sie sind auch nicht zufällig. Es gibt immer einen Grund für eine Veränderung in einer Preisreihe, und es ist die Analyse des Grundes, die bei der Vorhersage des Preises hilft, nicht die Folge!
 
Mihail Marchukajtes #:
Genau. Die Zeitreihen an der Börse sind nicht stationär, aber sie sind auch nicht zufällig. Es gibt immer einen Grund für Preisänderungen, und die Analyse der Ursache hilft bei der Preisprognose, nicht die Folge!

........................ Nennen Sie mir ein Beispiel für eine deterministische nicht-stationäre Reihe

 
Mihail Marchukajtes #:
Ist Ihnen bewusst, dass es Trainingsmethoden gibt, bei denen die Fehlerminimierung nicht nach Zeit, sondern nach tatsächlichem Ergebnis unendlich lang sein kann und dass der beim Training erzielte minimale Fehler kein Kriterium für die Bewertung der Verallgemeinerbarkeit des Modells ist. Angenommen, die Backpropagation-Methode ist in der Lage, den Fehler bei beliebigen Daten auf Null zu minimieren, aber in der Regel sind solche Modelle nicht verallgemeinerbar und schneiden bei neuen Daten schlecht ab. Mit dieser Methode kann also der Fehler bei widersprüchlichen Daten auf Null reduziert werden, aber sie ist in der Praxis wenig nützlich. Glauben Sie mir also, dass die Fehlerminimierung im Training kein ausreichender Ansatz ist!

Schwachsinn

 
mytarmailS #:

warum zufällig?

Zeitreihen sind deterministisch, zufällig und stochastisch. Es gibt keine anderen. Nein, überhaupt nicht.

Devisen- und Börsenkurse - was für Serien?

 
Evgeniy Ilin #:

Und wenn es genau dein Gedanke ist, ich verstehe, was du denkst, kannst du jede beliebige Funktion nehmen:

A[1]*X^0+A[2]*X^1+ ... + A [N]*X^N, handelt es sich im Allgemeinen um eine Taylor-Reihe (Funktionsreihe), mit der Ausnahme, dass A[i] > 0 für alle i = 1...N im Allgemeinen ein konstantes Wachstum der ersten Ableitung ergibt, um es deutlich zu sagen, also

Differenzierung eines Zeitreihendatensatzes mit Python

Backtesting von Modellen des maschinellen Lernens für Zeitreihenprognosen

ja, etwas im Netz ... durch die Korrektur der Saisonabhängigkeit und anderer wichtigerer Ereignisse im Zeitablauf verwirrt...

... und die Anzahl der Male :

So kann der Prozess der Differenzierung mehrmals wiederholt werden, bis alle zeitlichen Abhängigkeiten beseitigt sind.

Die Anzahl der Differenzierungsvorgänge wird als Differenzierungsreihenfolge bezeichnet.

p.s.

hier sind auch einige Links von hier (danke für den Artikel)

How to Difference a Time Series Dataset with Python
How to Difference a Time Series Dataset with Python
  • Jason Brownlee
  • machinelearningmastery.com
Differencing is a popular and widely used data transform for time series. In this tutorial, you will discover how to apply the difference operation to your time series data with Python. After completing this tutorial, you will know: About the differencing operation, including the configuration of the lag difference and the difference order. How...
 
Dmytryi Nazarchuk #:

Zeitreihen sind deterministisch, zufällig und stochastisch. Es gibt keine anderen. Nein, überhaupt nicht.

Devisen- und Aktienkurse - was für Reihen?

Ich bin nicht gut darin...

Wenn ich mich nicht irre, sind Zitate im Sinne der Wahrscheinlichkeitstheorie ein zufälliger, nicht stochastischer Prozess.

Aber ich bin damit nicht einverstanden.

 
mytarmailS #:

Ich bin nicht gut darin.

Wenn ich mich nicht irre, sind Zitate im Sinne der Wahrscheinlichkeitstheorie ein zufälliger, nichtstationärer Prozess.

Dem stimme ich aber nicht zu.

Warum nicht?

 
Dmytryi Nazarchuk #:

Und warum?

Ich habe mehrere Argumente, aber sie sollten nicht im Sinne der Wahrscheinlichkeitstheorie betrachtet werden, sondern nur im Sinne des menschlichen Denkens.

1) Alle mathematischen Methoden, die für die Verarbeitung von zufälligen/nicht-stationären/stationären..... beliebigen Reihen erfunden wurden, funktionieren nicht für Zitate, warum?

2) der Prozess wird von Menschen organisiert, um Geld von anderen Menschen zu nehmen, es kann nicht zufällig funktionieren, ich glaube, der Prozess ist deterministisch, aber es ist kompliziert...

Es gab noch andere Punkte, aber als ich anfing zu schreiben, ist es mir entfallen ...

 
mytarmailS #:

Ich habe mehrere Argumente, aber sie sollten nicht im Sinne der Wahrscheinlichkeitstheorie betrachtet werden, sondern nur im Sinne des menschlichen Denkens.

1) Alle mathematischen Methoden, die für die Verarbeitung von zufälligen/nicht-stationären/stationären..... beliebigen Reihen erfunden wurden, funktionieren nicht für Zitate, warum?

2) der Prozess wird von Menschen organisiert, um Geld von anderen Menschen zu nehmen, es kann nicht zufällig funktionieren, ich glaube, der Prozess ist deterministisch, aber es ist kompliziert...

Ich hatte noch mehr Punkte, aber als ich anfing, sie zu schreiben, sind sie mir entfallen ...

1. alle mathematischen Methoden für nicht-stationäre Prozesse sind Schamanismus. Denn man kann die Zukunft nur auf der Grundlage der Vergangenheit vorhersagen, und wenn die Zukunft nicht von der Vergangenheit abhängt, sind Vorhersagen auf der Grundlage der Vergangenheit nicht möglich.

Die Wahl der Methode, des Modells usw. spielt also keine Rolle - nur die richtige Wahl der Eingangsgrößen.

Sie brauchen nicht weiter zu gehen.