Dov'è la linea di demarcazione tra l'adattamento e i modelli reali? - pagina 21
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Per i particolarmente dotati:
1) in russkomazykenetlova osobogodnymi.
Beh, si può una volta, ma non cinque volte di seguito in cinque pagine.
..............
2) Il danno della divisione dei periodi.....
и
Il danno dei test OOS....
sono d'accordo che sono cose diverse.
Non travisare informazioni affidabili. Non ce n'è molto già.... )
No, non lo era, se il test su OOS era positivo.
Se c'è stato un risultato negativo su OOS, non significa necessariamente un adattamento con Sample - il mercato può cambiare. Per essere sicuri dell'adattamento, è necessario condurre test su OOS prima del campione e dopo il campione. Se il risultato per entrambi i fronti è negativo, allora abbiamo già a che fare con i raccordi nudi.
Il successo dei test a termine non garantisce la redditività della ST in futuro. Il loro scopo è quello di identificare gli aggiustamenti.
Al fine di assicurarsi che il TC non sia regolato in modo ottuso per il periodo di ottimizzazione, conduciamo un test OOS.
Tutto è corretto. Ma. L'OOS deve contenere informazioni diverse da quelle disponibili nel periodo di ottimizzazione, per essere sicuri che il TS sia capace di generalizzazione (si trova una certa regolarità e i risultati saranno simili su dati diversi ma contenenti questa regolarità). Altrimenti, il test su OOS avrà gli stessi risultati che su campione, ma non confermerà che il TS ha imparato un modello, e in futuro, il TS non potrà lavorare con gli stessi risultati.
Ora, fate attenzione! Domanda: controllate se OOS contiene dati diversi da S? Se sì, come?
Se qualcuno trova imprecisioni nel diagramma stesso, per favore me lo faccia sapere...
Le dimensioni sono vere, ma è ancora un'immagine sfocata. Nella finestra separata è chiaro.
Dite che state preparando i dati per l'allenamento. Potresti essere più specifico, da quanto tempo usi queste tecniche? Qualcosa nelle tue parole è molto familiare, ricordo che ho suggerito, come nel ramo sul contesto, di preparare dati sintetici con parametri preliminarmente richiesti per l'ottimizzazione, in modo da poter cambiare i parametri dei dati e vedere la risposta del TS. Penso che in de come tu fossi solo d'accordo con me, ma suggerendo un'opzione leggermente diversa dalla mia - preparare dati da pezzi reali di storia, è giusto?
1) in russkomazykenetlova osogodarstvennyy.go.... )
Per i particolarmente dotati:
vedere. Dizionari ed enciclopedie sull'Académique: Specially Gifted
P.S. Per i conoscitori particolarmente dotati della lingua russa: ci sono spazi nella lingua russa per separare alcune parole da altre.
Wai, wai, wai...
Come sei complicato...:))
lasso, la cosa migliore è leggere qualcosa di non troppo complicato sulle griglie nervose. Credo che sia da lì che viene tutta questa terminologia. Forse sono impreciso nei termini, vi prego di scusarmi, è passato molto tempo da quando l'ho letto:
1. dati campione: la trama di allenamento. Trama campione, da cui prendiamo direttamente i dati e addestriamo la rete.
2. Dati di verifica: sezione di verifica. Non ci alleniamo in questa parte, ma la usiamo per la stima dell'errore e per controllare quando dovremmo smettere di allenarci. Esiste una nota curva di errore di verifica che dipende dal numero di corse. Questa è una curva con un minimo. Se ci addestriamo troppo a lungo, cioè se non ci fermiamo in tempo, l'errore nella sezione di addestramento diminuirà ancora, ma l'errore nella sezione di verifica aumenterà. Questo è l'adattamento: abbiamo approssimato molto bene i dati nell'area di addestramento, ma abbiamo esagerato, poiché l'errore di verifica ha iniziato a crescere. È il secondo errore che è la valutazione della qualità dell'addestramento e della capacità di generalizzazione di una rete neurale.
3. dati di test. Questo è un vero OOS, fuori campione.
La seconda trama, la trama di verifica dove si valuta l'errore, non è OOS, anche se non ci alleniamo su di essa. Tuttavia, i dati di questa sezione sono usati per addestrare i dati della prima. Per verificare in modo corretto e completamente indipendente la qualità dell'addestramento (più precisamente, la generalizzazione), abbiamo bisogno di prendere dati che non abbiamo ancora visto o usato nell'addestramento.
Qui nel tester non abbiamo reti neurali. Un errore è stimato direttamente nella sezione Dati campione. Quindi non c'è modo di trasferire direttamente i metodi nervosi qui. Anche se forse xeon ha inventato qualcosa anche qui con il suo TestCommander...
Per i particolarmente dotati:
vedere. Dizionari ed enciclopedie all'Accademia: Specialmente dotati
P.S. Per gli esperti di lingua russa particolarmente dotati: ci sono delle lacune nella lingua russa
Figar0:
Dite che state preparando i dati per l'allenamento. Potresti essere più specifico, da quanto tempo usi queste tecniche? Qualcosa nelle tue parole è molto familiare, ricordo che ho suggerito, come nel ramo sul contesto, di preparare dati sintetici con parametri preliminarmente richiesti per l'ottimizzazione, in modo da poter cambiare i parametri dei dati e vedere la risposta del TS. Penso che in de come tu fossi solo d'accordo con me, ma suggerendo un'opzione leggermente diversa dalla mia - preparare dati da pezzi reali di storia, è giusto?
preparare i dati per l'addestramento su qualche regola è solo introdurre un filtro extra nel sistema.
Per coloro che sono particolarmente dotati: la non stazionarietà è l'assenza di regolarità statistiche, come il payoff atteso e la varianza.
Metti gli inviluppi di Bollinger sul grafico e vedrai quali sono i "modelli" di non stazionarietà, perché il centro dell'indicatore è l'aspettativa, e la distanza dal centro agli inviluppi è la dispersione.