フィッティングと実際のパターンの境界線はどこにあるのでしょうか？ - ページ 4

新しいコメント
 
Reshetov:

答えは間違いです。NSのトレーニングの時だけ、OOSの期間をトレーニングサンプルの期間より短く取っています。なぜなら、BPは非定常であり、その逆をやると、サンプルフィットが短くなり、OOSに非常に疑問のある結果が出るだけだからです。

それに、OOSはトレーニングサンプル以上であるべきだとは言っていません。

OOSのサイズが小さくなると、つまり最適化の関連性が高くなると、OOS自体の代表性も低くなると言っているのです。つまり、OOSを小さくしすぎた最適化では、OOSでは最適化されるが、学習サンプルでは最適化されないという、非常に不愉快な影響があるのです（「逆さ学習」）。

いつものように、黄金平均は真ん中のどこかにある。:)そして、この特定のTSの中間地点は、それぞれ異なる場所にあるのです。

つまり、OOSのサイズをどうするかという明確な推奨はないし、ありえないのです。自分の直感と経験に頼るしかないのです。

 

二番煎じ

;)

 
Sorento:

二番煎じ

;)

:)なんて、自信満々なんですけどね。
 
paukas:
:)自信にはなるんですけどね～。

それが問題で、どんどん高くなる...。

年齢的に無理。

;)

 
Jingo:

フィッティングとリアルパターンの境界線はどこにあるのか？

市場を見ると、既存のパターンがパラメトリックに一定でない可能性があることがわかる。すべてのシステムには、適合性のレベルと1つ以上の事象の規則性のレベルがあります。

そして、2番目のレベルへの優位性が、トレーディングのアイデア自体の合理性を担っているのです。

抽象的に考えること。他の人の考えも面白いでしょう。

様々な要因に依存しますが、主な依存先はシステムそのものです。例えば、こんな感じです。

1.大容量サンプル - 6000個を連続使用した場合、安定して動作するのは良いことです。

2.予想される特性の相関関係-例えば、あるイベントの市場への影響が予想され、歴史によって確認されている場合、あまり大きくないサンプル、例えば、約100イベント、あるいはそれ以下を考慮することができます。

3.パラメータと期待されるパラメータとのマッチング原則的には2.と同じだが、例えばトレンド系では取引成功率や平均利益と損失の比率がほぼ明確である。

といった具合に。

何より、100％使える方法はないのです。工学的な見地から言えば、あるんですけどね。「多様化」と言います。:)

 
Tantrik:

同じ場所 - 振り子のある場所...

:o)...予想される笑い...。でも、本当に統計は冷静な人が多いですね。それは、システムが押し付ける固定観念のせいで、多くの人が自分の歩く輪から抜け出せないでいるだけだ。 TAの教科書のシリーズで、すべてが移動平均から始まる...。問題は、平均化されたデータによる全体の方向性がくだらないのに、なぜわざわざそれを研究するのかということです。 それらはせいぜい現在を示すだけです。 MTに組み込まれているすべての指標のことを指しています :o).ジグザグを除けば、牛乳みたいなものですね。そして、どこに行けばいいのか？デリバソフスカヤで言うところの...それが私たちの仕事です :o)。



1008
paukas 2011年1月20日 11:28 am
ジェラシム

......すなわち5/95%は良い方向ではない......。

この統計はどこから得たのですか？


そして、これは総集編です。私は2年間、TA交流アカデミーで教えていたのですが...。10～15人で大体60週、約700人、そのうち2～3年で20人しか見ませんし、全員が稼ぐというわけではありません。稼いでいるのは私一人です :o))

 
Gerasimm:

:o)...期待笑...。

そして、これは寄せ集めです。私は2年間、TA証券のアカデミーで教えていたのですが...。10〜15人の約60週間 - 約700人、そのうちの数年後に私はわずか20人を参照してください。稼いでいるのは私一人です :o))

ニボーラ！あなたは？

;)

 

そして、これは集大成です。 私は2年間、TAアカデミーで教えていました。10～15人で大体60週、約700人、そのうち私が見るのは2～3年で20人程度。 しかも、その全員が稼ぐというわけではありません。稼いでいるのは私一人です :o))

要は、時代や入手経路を特定しない発言は、教師であっても全く意味がない。

そして、例えばrannさんが投稿したような実際の統計も。しかし、それもクライアントに対してではなく、アカウントに対してです。

 
joo:

また、私はOOSがトレーニングサンプルより大きいか等しくなければならないとは言っていません。

OOSのサイズを小さくすると、つまり最適化の関連性を高めると、OOSの代表性そのものが低下すると言っているのです。つまり、OOSが小さすぎる場合、TCがOOSで最適化され、トレーニングサンプルで最適化されない場合、つまり「逆学習」になると、非常に早くそのサドルに到達してしまうということです。

いつものように、黄金平均は真ん中のどこかにある。:)そして、この特定のTSの中間地点は、それぞれ異なる場所にあるのです。

つまり、OOSの大きさについて明確な推奨はなく、ありえないのです。自分の直感と経験に頼るしかないのです。

ここに派手さは必要ない。ニューラルネットワークのパケットを使用する際のサンプル期間とOOSは、特定の入力に対して一度だけ経験的に選択され、その後は変更されることはない。つまり、NSの入力が適切であれば、あとは直感ではなく、テクニックの問題です。

MTテスターの場合は、前述のようにフライとカツレツ、つまり最適化されたサンプルとフォワードのサンプルを分ける方法がなく、最適化がフィッティングに変わる瞬間を捉えるのはほぼ不可能なので、すべてがより複雑になっています。正確には、手動で最適化を中断し、徐々に増加するパス数を前方に実行して瞬間を捕らえることは可能ですが、最適化の時間が非常に長くなり、毎回日付を変更する必要があることを考慮すると、そのようなアプローチへの関心はずっと低くなります。

 
Sorento:

ニボーラ！あなたは？

;)

わからなかった...。



1009
paukas 2011年01月20日 12時45分

TAアカデミーで2年間教壇に立ちました。10人～15人で大体60週、約700人、そのうち20人しか見ない年が数年。稼いでいるのは私一人です :o))

要は、時代や入手経路を特定しない発言は、教師であっても全く意味がない。

そして、例えばrannさんが投稿したような実際の統計も。しかし、それもクライアントではなく、アカウントの話です。


私は本当の統計を知っていますし、あなたもマーケットで何かをすればわかるはずです。特に、期間と方式が一番上に明記されているので。

1234567891011...64
新しいコメント