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 3377

[Maxim Kuznetsov]

fxsaber #:

理論的な質問。

見事にフィットするTSがある。同時に、ある入力パラメータのセットが実際のパターンをうまく利用することが正確に知られている。つまり、このセットはフィットしない。

このセットを見つけることは可能だろうか？

もし、"TC that is a great fit "という 条項を取り除けば、かなりフィールドを狭めることができる。そして、あなたが探しているパターンについても、すぐに知るべきことがたくさんある。

恣意的な指標の束を取り、明らかに依存性のあるものを取り除き、そこから「フィットしたTS」を得ることはできません。

現実の世界では、alg.optimisationやMLが適用される場合、通常、何を探しているのか（特徴の暗さ）がわかっており、特徴を強調し、限界を概説する必要がある。そして、ここでは誰も何を探したいのか知らないが、オプティマイザをどう動かすかは知っている :-)

[Maxim Dmitrievsky]

fxsaber #:

サイズ(OOS_Left) = サイズ(OOS_Right) = サイズ(Sample)。結局のところ、このような結果になる。

OOSをチェックしながら再最適化することで、1フォールドのwolf forward OR cross-validationの最も単純なケースを見つけることができます :)。

[fxsaber]

Maxim Dmitrievsky #:
OOSチェックによる再最適化で見つけることができます :)

数センテンスで開示してください。

[Maxim Dmitrievsky]

fxsaber #:

数センテンスで開示してください。

ウルフ・フォワードについては誰もが知っているようだ。サンプルに最適化された場合、結果はoosから取られる。平均化されたパラメーターによる総合的な最良の結果が、カーブが異ならないように取られる。

[Maxim Dmitrievsky]

適合していないという証明にはならない。最もロバストなパラメータが得られる。グローバルフィットでないことを証明することは不可能です。特に大域的な極小値を出すことはできません。

[fxsaber]

Maxim Dmitrievsky #:
ウルフフォワードについては誰もが知っていると思う。サンプルとして最適化された場合、結果はoosから取られる。平均化されたパラメーターで、カーブが異ならないように、全体として最良の結果が得られます。

例えば、100のステップを踏んだとしよう。各入力セットは対応する入力100セットの平均に等しい」という原則に従って平均セットを形成した場合、このセットが初期区間全体をうまく通過する可能性は低い。

[Maxim Dmitrievsky]

fxsaber #:

100のステップが踏まれ、100の入力セットが得られたと仮定しよう。各入力セットは対応する入力100セットの平均に等しい」という原則に従って平均セットを形成する場合、このセットが初期区間全体をうまく通過する可能性は低い。

もしそうでなければ、論理的には良い集合はまったく存在しないことになる。将来への確信という点では。

それが偉大で無慈悲なmatstatだ。

[fxsaber]

Maxim Dmitrievsky #:
そうでなければ、論理的に考えて、良いセットはまったくない。

論理的ではありません！例えば、セットはFFに依存する。

[mytarmailS]

fxsaber #:

非論理的！例えば、セットはFFによって異なる。

そして、もし助けてもらいたければ、できるだけ明確でわかりやすい表現をし、できるだけ多くの情報を提供する必要がある......。

[Renat Akhtyamov]

mytarmailS #:
この「ニューラルネットワークは簡単だ」という記事を延々と読んでいる人はいるのだろうか？

このナンセンスな記事の平均的な読書時間を計算すると、10〜15秒を超えないような気がする。

車を買うための金儲けだ。

私は残高までスクロールし、その男が次のことわざを知らないことに気づいた：

「ここで見るだけでは十分ではない、ここで見て、ここで考えなければならない．"

彼は資料を表面的に研究し、その結論は実力不足である。