トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 2407

[Dmytryi Nazarchuk]

mytarmailS:

どの機種が優れているかという議論は子供の遊びで、私も7年ほど前、このくだりで悩んだことがあります。

新しい情報機能を生み出す方法 - YES

市場に合わせたフィットネス関数の作り方 - YES

入ってきた情報をどう変換するか - YES

市場適応型機能の作り方 - YES

が、同じ空っぽのデータでNSとフォレストのどちらが優れているかを議論するのは、まさにFEIS PALM...です。

数十種類のMOアルゴリズム全ての誤差は0.5〜2％です。

カール2％！！20～30％のギャップを与えるものを議論する必要がある。

もし、その兆候が有益であれば、どんなAMOでもうまくいくでしょうし、その逆もまた真なりです!!!

このスレッドで何年も議論してきたことを何も理解していない人の言葉です。

従来のダム線形回帰と NSのフォワードテストにおける「誤差の差」は、20～30％以上のMOREとなり、ネットワークに有利とは言えない。

そして、これは簡単に確認でき、実証できるのです。

だからこそ、ネットワークが普通にフィットする

[mytarmailS]

Dmytryi Nazarchuk：

このスレッドで何年も議論していることを何も理解していない人の言葉です。

"通常の鈍感な線形回帰と NSのフォワードテストにおける「誤差の差」は、20～30％以上のMOREになることもあります。

そして、確認や実証がしやすい。

デモンストレート

[Dmytryi Nazarchuk]

mytarmailS:
Demo

青色曲線（GBP D1 - GBP LineReg）、オレンジ色曲線（GBP D1 - GBP NN）。

学習サンプル2009-2020、フォワード2021。

独立変数も同じです。

[mytarmailS]

Dmytryi Nazarchuk：

青色曲線（GBP D1 - GBP LineReg）、オレンジ色曲線（GBP D1 - GBP NN）。

学習サンプル2009-2020、フォワード2021。

独立変数も同じです。

符号、ターゲット、ニューロン出力、回帰出力、またラベル、where trace where testのフォーマットでデータを送ってください。

[Dmytryi Nazarchuk]

mytarmailS:
符号、ターゲット、ニューロン出力、回帰出力、ラベルの形式でデータを送ってください、traceはtestのところです。

)いいえ、サインをリセットすることはできません。

[mytarmailS]

Dmytryi Nazarchuk：

)いいえ、サインをリセットすることはできません。

なぜ？

そんなことより、理解力があれば、リンは作れるということを伝えたかったんです。回帰モデルはNSと同等かそれ以上...。

しかし、すべての始まりはそんなことではなく、標準的なデータではAMOが他のものよりかなり有利になることはなく、20〜30%の差が必要なときには2%の差は何でもないことです。

[Dmytryi Nazarchuk]

mytarmailS:
なぜ？

まあ、それはもう私のノウハウなんですけどね。

[mytarmailS]

Dmytryi Nazarchuk：

まあ、それが私のノウハウなんですけどね。

では、既成の機能と既成のターゲットをマトリクスで投入すれば、あなたのような技術のノウハウが見えてくるのでしょうか？

ドミトリー、君は天才だ!)) これから本を読もうかな．

[Dmytryi Nazarchuk]

mytarmailS:

出来合いの機能と出来合いのターゲットのマトリックスを投入すれば、技術的なノウハウが見えてくるのでしょうか？

ドミトリー、君は天才だ!)) 本でも読んでこようかな。

ありがとうございます。

[Maxim Dmitrievsky]

回帰モデルと活性化f軸を持つ回帰モデルの違いを理解していない人が時々いて、それ故に結論が曲がってしまうのです。例えば、2枚目のデータはきちんと正規化しないと、グラデーションが爆発してしまい、何も学習しません。

また、1つ目のモデルが活性化F値のない単純なニューロンであり、そこから2つ目のモデルが派生していることも理解していない。