L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 89
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Le contrôle coulissant est destiné aux fans))))) et le fait que le modèle ne convienne que dans ce cas est une erreur.
Mais tout cela n'a pas de sens, chacun a ses particularités et ses besoins à différents stades, vous pouvez aussi les ajouter.
J'ai voulu dire le pourcentage de sortie pour le général et le test (test = OOS - application de la formule aux nouvelles données)
Un avantage des applications de fenêtre, dans leur utilisation rapide. Il est possible de faire un shell normal,
Reshetov est un codeur expérimenté, donc cela doit être fait de manière normale. C'est tout. Tout cela est bien sûr subjectif.
Lorsque la sélection d'un bon modèle dans un échantillon donne de bons résultats en dehors de l'échantillon, cela signifie que le modèle est adapté au problème choisi.
Encore une fois, pour ceux qui sont particulièrement doués : si un modèle passe la sélection, cela ne signifie pas qu'il est potentiellement adapté au problème choisi, surtout dans des environnements non stationnaires. Cela signifie seulement qu'il a en quelque sorte passé la sélection.
Si une candidate a passé la sélection des examens d'entrée à l'université, cela ne signifie pas qu'elle défendra son diplôme, et encore moins qu'elle travaillera ensuite dans le domaine qu'elle a choisi.
La sélection ne fait que réduire la probabilité d'inaptitude, mais pas toujours à zéro. Et il ne faut pas oublier que les résultats de la sélection peuvent aussi être des faux positifs et des faux négatifs. En d'autres termes, il existe une probabilité non nulle que le processus de sélection ait également jeté "le bébé avec l'eau du bain".
Encore une fois, pour les particulièrement doués : si un modèle passe la sélection, cela ne signifie pas qu'il est potentiellement adapté au problème choisi, surtout dans des environnements non stationnaires. Cela signifie simplement qu'il a en quelque sorte passé la sélection.
Si une candidate est sélectionnée par les examens d'entrée à l'université, cela ne signifie pas qu'elle défendra son diplôme, et encore moins qu'elle travaillera ensuite dans la spécialité qu'elle a choisie.
La sélection ne fait que réduire la probabilité d'inaptitude, mais pas toujours à zéro. Et il ne faut pas oublier que les résultats de la sélection peuvent aussi être des faux positifs et des faux négatifs. En d'autres termes, il existe une probabilité non nulle que le processus de sélection ait également jeté "le bébé avec l'eau du bain".
Laissez-moi vous expliquer à nouveau pour les personnes très sophistiquées.
Tous les résultats sont bien sûr probabilistes !
Il y a des résultats de modèle dans la formation, il y a des résultats dans la validation croisée ou le test (pour relever les paramètres du modèle et faire un arrêt d'apprentissage précoce). Il existe également des résultats de modèles hors échantillon - estimation finale.
Si les résultats sur les tests sont bien corrélés avec les résultats hors échantillon, cela signifie que la qualité de la modélisation des dépendances a une inertie pour la période hors échantillon. Dans ce cas, on peut prendre le meilleur modèle en test (pas "hors échantillon"). Par la suite, on peut réentraîner le modèle sur toutes les nouvelles données avec des paramètres connus et prendre le meilleur modèle, car la relation avec les résultats futurs est pratiquement établie.
Si les résultats du test sont en mauvaise corrélation avec les résultats hors échantillon, prendre le meilleur modèle pour la formation n'a aucun sens. Prendre le meilleur modèle en "hors échantillon" est un ajustement. Il n'y a qu'une seule solution : rejeter la méthode de création du modèle ou modifier sensiblement les plages de paramètres.
"Vous pourriez leur suggérer de créer un fil de discussion pendant une semaine, par exemple - une semaine pour que les gens puissent s'exprimer - puis les laisser s'y frotter."
Je ne sais pas quel gadget a inséré la citation ci-dessus dans mon message, mais ce n'est pas mon message.
Si les modérateurs n'aiment pas quelque chose dans mes messages, c'est leur droit. Il suffit de ne pas coller le texte de quelqu'un d'autre dans mes posts, et d'agir de manière plus culturelle : indiquer ce qu'ils n'ont pas aimé exactement et en leur propre nom. Et moi, pour ne pas irriter les modérateurs, je quitte ce site pour le mien : le lien est dans mon profil.
Au revoir à tous !
.
"Vous pourriez leur suggérer de créer un fil de discussion pendant une semaine, par exemple - une semaine pour que les gens puissent s'exprimer - puis les laisser s'y frotter."
Je ne sais pas quel genre de hobgobelin a inséré la citation ci-dessus dans mon message, mais ce n'est pas mon message.
Si les modérateurs n'aiment pas quelque chose dans mes messages, c'est leur droit. Il suffit de ne pas coller le texte de quelqu'un d'autre dans mes posts, et d'agir de manière plus culturelle : indiquer ce qu'ils n'ont pas aimé exactement et en leur propre nom. Et moi, pour ne pas irriter les modérateurs, je quitte ce site pour le mien : le lien est dans mon profil.
Au revoir à tous !
.
"Vous pourriez leur suggérer de créer un fil de discussion pendant une semaine, par exemple - une semaine pour que les gens puissent s'exprimer - puis les laisser s'y frotter."
Je ne sais pas quel genre de hobgobelin a inséré la citation ci-dessus dans mon message, mais ce n'est pas mon message.
Si les modérateurs n'aiment pas quelque chose dans mes messages, c'est leur droit. Il suffit de ne pas coller le texte de quelqu'un d'autre dans mes posts, et d'agir de manière plus culturelle : indiquer ce qu'ils n'ont pas aimé exactement et en leur propre nom. Et moi, pour ne pas irriter les modérateurs, je quitte ce site pour le mien : le lien est dans mon profil.
Au revoir à tous !
Je jetterai un coup d'œil plus tard pour voir si ça m'intéresse, mais je pense que j'ai fait des bêtises)))).
Ouais, le +R est qu'il a probablement déjà implémenté tout ce qui est possible. ML depuis longtemps, mais juste des modèles sans retrain. Une des dernières choses que j'ai faites avec ML était juste
bourrer le modèle d'événements pour qu'ils touchent toujours la cible. En les combinant, vous obtenez généralement 93-96%. Le reste, vous le formez. En d'autres termes.
Si vous avez appris à votre enfant à marcher un peu, vous n'avez pas besoin de lui dire la même chose tous les jours, vous lui dites simplement quand sauter par-dessus la flaque d'eau.
(pas de prédiction dans la cible).un peu de goutte à goutte, la cible n'est certainement pas la couleur de la bougie))))
Un peu dégoulinant, la cible n'est bien sûr pas la couleur de la bougie ;)))
2 lectures sur le sujet de la sélection sans biais d'un modèle entraîné :
http://stats.stackexchange.com/questions/65128/nested-cross-validation-for-model-selection
/go?link=https://stats.stackexchange.com/questions/178174/when-is-nested-cross-validation-really-needed-and-can-make-a-practical-differenc