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 2793

[Forester]

СанСаныч Фоменко #:

モデルの性能指標を推定するという意味であれば、最終的な推定値を持つべきだ。

しかし、すべてを凌駕するニュアンスが一つある。

性能でモデルを評価するということは、過去のデータで評価するということです。しかし、そのモデルが将来どのように振る舞うのか？

バルブ・フォワード・テストで評価する。

[СанСаныч Фоменко]

elibrarius #:

ウォーキング・フォワードをテストで評価する。

群れ全体の評価だ。そして粗悪な羊は一頭ずつ淘汰される。

[Forester]

СанСаныч Фоменко #:

群れ全体の評価だ。そして粗悪な羊は一匹ずつ淘汰される。

50の特徴＝50回の歩行採食テストで、1回に1つの特徴を取り除く。長いが、結果はモデルによって得られる。

[Maxim Dmitrievsky]

500本の棒で推定することは統計学ではまったくない。

[СанСаныч Фоменко]

elibrarius #:
50の小説＝50のヴァルキング・フォヴァード・テスト。長くなるが、結果はモデルによって得られる。

この方法で結果が得られるのは、特徴が完全に独立した場合だけであり、そのようなことは起こらない。

[СанСаныч Фоменко]

Maxim Dmitrievsky #:

500本の棒で推定することは統計学ではまったくなく、大数の法則によって何でも当てはめることができる。

予測能力を評価するには十分です。スライディング・ウィンドウ技術を使って、20％までの予測誤差を与えるフィッシュを選択することが可能です。

[Forester]

СанСаныч Фоменко #:

この方法で結果を出せるのは、機能が完全に独立している場合だけで、そううまくはいかない。

同じデータをパッケージに投入する。何も得られないのですか？

[СанСаныч Фоменко]

elibrarius #:
同じデータをパケットに入力する。何も得られないのか？

前処理として、相関のあるチップを取り除く。170個のうち、相関が 75％ 以上（！） でなければ約50個が残る。相関関係が50％以下だと、数個が残る。しかし、相関のないチップを集めることを目標にしたわけではありません。

[Forester]

СанСаныч Фоменко #:

前処理として、相関のある特徴を取り除く。170個のうち、相関が 75％ 以上（！） でなければ50個ほどが残る。相関が50％以下であれば、数個が残る。しかし、相関のないフィーチャーを集めることを目標にしたわけではない。

この50個はモデルでチェックできる。

[СанСаныч Фоменко]

elibrarius #:
この50はモデルでチェックできるものだ。

つまり相関関係がある！結果は、特徴を捨てる順番による。