트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 1439

 
막심 드미트리예프스키 :


정말 catbust 시도에서 전체 차량을 다시 작성 .. 또한 쓰레기 마차. 그러나 작은 데이터 세트에 대해 학습하면 포리스트가 잘 일반화되고 예를 들어 동일한 데이터에 대해 2배만 증가하는 2-5k 샘플에서 작동하여 완전한 재교육이 이루어집니다. 그것은 사실이다.

짧은 데이터 세트를 시도했는데 30%의 오류가 있는 주와 60-70%의 오류가 있는 주 있습니다. 평균 50%를 제공합니다.

 
도서관 :

짧은 데이터 세트를 시도했는데 30%의 오류가 있는 주와 60-70%의 오류가 있는 주 있습니다. 평균 50%를 제공합니다.

예를 들어, 나는 한 달에 훈련하고 1년은 거의 새로운 데이터에 대해 작업합니다. 나는 2-3 개월에 가르칩니다 - 더 이상 작동하지 않습니다 .. 일종의 쓰레기

또한 모델의 오류는 동일합니다.
 
막심 드미트리예프스키 :

예를 들어, 나는 한 달에 훈련하고 1년은 거의 새로운 데이터에 대해 작업합니다. 나는 2-3 개월에 가르칩니다 - 더 이상 작동하지 않습니다 .. 일종의 쓰레기

자가 학습 시스템에서 이러한 결과가 있습니까?
 
도서관 :
자가 학습 시스템에서 이러한 결과가 있습니까?

예, 몇 가지 트릭과 함께. 나는 하나를 자르고 모델에 중간 샘플을 추가합니다. 예를 들어, 거래가 열려 있는 동안 항상 구매에 대한 거래를 시작하라는 신호가 있었습니다. 각각의 새 막대 에 동일한 구매 표시가 있는 다른 샘플을 추가하고 기능에 대한 새로운 표시를 각각 추가합니다. 이렇게 하면 오류가 크게 줄어듭니다. 샘플의 일부 중복.

일부 모델에서는 오류를 줄이지 않을 수도 있지만 내 경우에는 오류를 크게 줄입니다.
 
막심 드미트리예프스키 :

예, 몇 가지 트릭과 함께. 나는 하나를 자르고 모델에 중간 샘플을 추가합니다. 예를 들어, 거래가 열려 있는 동안 항상 구매에 대한 거래를 시작하라는 신호가 있었습니다. 각각의 새 막대 에 동일한 구매 표시가 있는 다른 샘플을 추가하고 기능에 대한 새로운 표시를 각각 추가합니다. 이렇게 하면 오류가 크게 줄어듭니다. 샘플의 일부 중복.

글쎄, 이것은 첫 번째 실행에서 대상 선택 유형입니다. 나머지 사이클은 사실 이미 첫 번째 패스에서 받은 선생님과 함께 훈련하는 것입니다.
이 트릭을 사용하면 더 많은 변형을 테스트할 수 있습니다.
 
도서관 :
글쎄, 이것은 첫 번째 실행에서 대상 선택 유형입니다. 나머지 사이클은 사실 이미 첫 번째 패스에서 받은 선생님과 함께 훈련하는 것입니다.
이 트릭을 사용하면 더 많은 변형을 테스트할 수 있습니다.

정말 이해하지 못했습니다. 오히려 샘플의 복제입니다. 일반적으로 그들은 이러한 신호 사이에서 시장이 어떻게 행동하는지 신경 쓰지 않고 구매, 판매에 대한 태그를 제공합니다. 중간 보강 샘플을 추가하면 모델이 자동으로 더 잘 분류됩니다.

예를 들어, 실제로 1000개의 샘플 신호가 있는 경우 중간 강화물과 함께 이것은 5k 이상입니다.
 
알렉세이 비아즈미킨 :

동시에 가지치기는 완전성을 제어해야 합니다. 최소 0.5-1%의 샘플 적용 범위로 잘라냅니다.

무엇의 충만함? 원하는 깊이로 실험적으로 절단

 
막심 드미트리예프스키 :

무엇의 충만함? 원하는 깊이로 실험적으로 절단

시트에는 샘플에서 지정된 비율 이상의 샘플이 포함되어야 하며, 더 적은 경우 분할을 잘라냅니다. 예제가 많을수록 패턴 가능성이 높아집니다. 여기에서는 모든 것이 간단합니다.

 
막심 드미트리예프스키 :

예, 몇 가지 트릭과 함께. 나는 하나를 자르고 모델에 중간 샘플을 추가합니다. 예를 들어, 거래가 열려 있는 동안 항상 구매에 대한 거래를 시작하라는 신호가 있었습니다. 각각의 새 막대 에 동일한 구매 표시가 있는 다른 샘플을 추가하고 기능에 대한 새로운 표시를 각각 추가합니다. 이렇게 하면 오류가 크게 줄어듭니다. 샘플의 일부 중복.

일부 모델에서는 오류를 줄이지 않을 수도 있지만 내 경우에는 오류를 크게 줄입니다.

이 접근 방식으로 시작했지만 반대로 진입점에서 출구 지점까지 올바른 분류 곡선의 평활도를 드러내려고 했으나 내 접근 방식은 큰 컴퓨팅 파워가 필요해서 거절할 수밖에 없었다. 반대 옵션이 있습니다. 흥미롭고 역추세의 가능성이 있습니다 ... 내 신호에서 작동하는 MO와 유사한 것을 구현하는 것이 어떻게 가능할지 생각하고 있습니다. 가르치는 방법을 모르겠습니다. 그러나 거기에는 분명히 가능성이 있습니다.

 
막심 드미트리예프스키 :

정말 이해하지 못했습니다. 오히려 샘플의 복제입니다. 일반적으로 그들은 이러한 신호 사이에서 시장이 어떻게 행동하는지 신경 쓰지 않고 구매, 판매에 대한 태그를 제공합니다. 중간 보강 샘플을 추가하면 모델이 자동으로 더 잘 분류됩니다.

예를 들어, 실제로 1000개의 샘플 신호가 있는 경우 중간 강화물과 함께 이것은 5k 이상입니다.

나도 알아차리고 적용했는데, 내가 이해하는 한 데이터가 g..but이기 때문에 작동하며 이러한 트릭은 편차 범위를 훈련하는 데 도움이 됩니다. 이것이 완료되지 않으면 모델이 하나의 브로커로 조정되거나 동일한 터미널에서 일부 데이터 업데이트가 다시 로드된 후 작동이 중지되기도 합니다.