도서관 # : 예측 변수와 출력을 무작위로 채웠습니다. 학습이 불가능하다는 것을 확인하기 위해서입니다. 50/50% 확신합니다. 따옴표와 대상이 TP = SL인 경우에도 50/50%가 나옵니다.
그리고 타겟이 랜덤으로 설정되지 않는다면?
여기에서 실험을 했습니다. 저는 보통 샘플을 3개로 나누어서 하나의 샘플로 결합하고 100개의 트리 모델을 훈련시킨 다음 사용하지 않은 예측자를 살펴보고 차단했습니다. 그런 다음 평소와 같이 두 번째 샘플에서 재학습 정지를 사용하여 모델을 훈련하고 예측 변수를 제외하지 않고 훈련할 때 세 번째 샘플의 결과를 옵션과 비교했습니다. 선택한 예측 변수에서 결과가 더 나은 것으로 나타났으며 여기에서 이 효과의 결론을 잃어버렸습니다. "다른 예측 변수를 선택하는 것은 구간에 대한 샘플의 차이로 인한 것입니다. 전체 샘플에서 오랜 시간 동안 중요성을 잃지 않는 예측 변수를 자동으로 선택합니다." 그러나 이것이 표본이 클수록 장기적으로 모델이 더 안정적이라는 것을 의미합니까? 이런 식으로 훈련을 위한 예측 변수를 선택할 수 있습니까? 이것은 재교육에 기여하지 않습니까? 일반적으로 CatBoost 제작자로부터 모델의 하이퍼파라미터를 찾은 다음 사용 가능한 전체 샘플에서 어리석게도 모델을 작업에 적용해야 한다는 권장 사항을 들었습니다.
도서관 # : 47.5%의 오차가 있는 옵션이 있었는데 멋있어 보였는데 MT 테스터에 연결해보니 성장이 아니라 추락이었습니다. 수수료가 고려되지 않은 것으로 밝혀졌으며 그녀는이 2 %의 혜택을 먹었습니다.
수수료 계산 방법은 다음과 같습니다. 스프레드에 4pt를 추가하고 싶었습니다. 그러나 그것은 옳지 않습니다. TP와 SL은 때때로 테스터에 있어야 하는 잘못된 막대의 과대평가된 Ask에 의해 트리거되기 때문에 이 때문에 후속 트랜잭션의 전체 순서가 변경될 수 있습니다. 그러나 테스터는 막대의 최소 스프레드도 사용하므로 현실과 다릅니다.
어느 것이 더 나은지 아직 파악하지 못했습니다.
시장이 A 방향으로 100포인트 움직였다면 스프레드에 전혀 의존하지 않아야 합니다. 재무 결과만 스프레드에 의존합니다. 교육 시 고려해서는 안 된다고 생각합니다. 모델이 확인 여부를 확인한 후 시장 상황에 따라 항목이 있고 표시할 때 단순히 스프레드를 가상으로 확장할 수 있는 기회가 있다고 가정합니다. 이익이 지정된 포인트 수보다 적으면 입력하지 않습니다. 나는 또한 순전히 샘플을 기반으로 결과를 계산할 때 모델을 분석할 때 스프레드를 고려합니다. 거래의 재무 결과에서 주어진 포인트 수를 뺍니다.
한 권위 있는 과학자는 가격이 로그여야 하고 모든 이론가들이 맹목적으로 이것을 계속하고 있다고 썼습니다.
존 터키? 또는 Cox와 권투?
존 터키? 또는 Cox와 권투?
그의 논문에서 Eugene Fama일 가능성이 있지만 확실하지 않습니다.
이전에 여기에 있었던 것 같습니다
음, 평면 및 추세의 문제가 다시 나타날 것입니다.
...........
방법은 다음으로 구성됩니다.
1) 어떤 종류의 모델이 있습니다(예: 선형 회귀).
2) 정확성이 확실하지 않은 일부 관찰 세트
그런 다음 임의의 노이즈를 생성하고 이를 일련의 관찰과 결합하여 여러 번 반복합니다.
그런 다음 다른 결과 집합에서 모델의 동작을 비교하고 몇 가지 결론을 내립니다.
선택적으로 가장 안정적인 동작을 기본 동작으로 선택할 수 있습니다.
그것은 마술 지팡이가 아니라 분석을 위한 도구일 뿐이며 가능한 작은 개선이며 잘못된 모델을 올바른 모델로 바꾸지 않습니다.
...........
방법은 다음으로 구성됩니다.
1) 어떤 종류의 모델이 있습니다(예: 선형 회귀).
2) 정확성이 확실하지 않은 일부 관찰 세트
그런 다음 임의의 노이즈를 생성하고 이를 일련의 관찰과 결합하여 여러 번 반복합니다.
그런 다음 다른 결과 집합에서 모델의 동작을 비교하고 몇 가지 결론을 내립니다.
선택적으로 가장 안정적인 동작을 기본 동작으로 선택할 수 있습니다.
그것은 마술 지팡이가 아니라 분석을 위한 도구일 뿐이며 가능한 작은 개선이며 잘못된 모델을 올바른 모델로 바꾸지 않습니다.
장난꾸러기야 결정론적 계열과 100% 정확도로 설명하는 모델이 있습니다. 노이즈 추가 - 모델 설명의 정확도가 52%가 되었습니다. 이 행동의 의미보다 당신은?
모스 부호와 신호기에서. 그것은 거기에서입니다.
...........
방법은 다음으로 구성됩니다.
1) 어떤 종류의 모델이 있습니다(예: 선형 회귀).
2) 정확성이 확실하지 않은 일부 관찰 세트
그런 다음 임의의 노이즈를 생성하고 이를 일련의 관찰과 결합하여 여러 번 반복합니다.
그런 다음 다른 결과 집합에서 모델의 동작을 비교하고 몇 가지 결론을 내립니다.
선택적으로 가장 안정적인 동작을 기본 동작으로 선택할 수 있습니다.
그것은 마술 지팡이가 아니라 분석을 위한 도구일 뿐이며 가능한 작은 개선이며 잘못된 모델을 올바른 모델로 바꾸지 않습니다.
특정 상황에서만 작동하지 않는 상황이 있습니다. 유일한 희망은 논리적으로 항상 그런 것은 아니지만 작동하지 않는 상황이 더 적다는 것입니다.
장난꾸러기야 결정론적 계열과 100% 정확도로 설명하는 모델이 있습니다. 노이즈 추가 - 모델 설명의 정확도가 52%가 되었습니다. 이 행동의 의미보다 당신은?
이 시리즈에서 정확한 값을 얻을 수 있다면 의미가 없습니다. 근사값만 얻을 수 있다면 모델의 결과가 원래(이상적인) 계열의 부정확한 측정 오류인지 확인하는 것은 매우 간단합니다. 이에 대한 정확한 수학 공식과 정의가 있지만 이해가 되지 않습니다.
이 시리즈에서 정확한 값을 얻을 수 있다면 의미가 없습니다. 근사값만 얻을 수 있다면 모델의 결과가 원래(이상적인) 계열의 부정확한 측정 오류인지 확인하는 것은 매우 간단합니다. 이에 대한 정확한 수학 공식과 정의가 있지만 이해가 되지 않습니다.
요점은 값의 정확성이 아니라 원하는 선택의 신뢰성에 있습니다. 우리가 찾고 있는 것이 있습니다. 10%로 혼합하고, 99를 선택하고, 50을 혼합하고, 80 또는 20을 선택합니다. 이 모든 것은 원하는 데이터를 추출하는 알고리즘에 따라 다릅니다.
추신 음, 물론, 소음의 품질. 신호를 알면 어떤 신호라도 위장할 수 있습니다. 때로는 우연히 발생합니다.이 시리즈에서 정확한 값을 얻을 수 있다면 의미가 없습니다. 근사값만 얻을 수 있다면 모델의 결과가 원래(이상적인) 계열의 부정확한 측정 오류인지 확인하는 것은 매우 간단합니다. 이에 대한 정확한 수학 공식과 정의가 있지만 이해가 되지 않습니다.
예측 변수와 출력을 무작위로 채웠습니다. 학습이 불가능하다는 것을 확인하기 위해서입니다. 50/50% 확신합니다.
따옴표와 대상이 TP = SL인 경우에도 50/50%가 나옵니다.
그리고 타겟이 랜덤으로 설정되지 않는다면?
여기에서 실험을 했습니다. 저는 보통 샘플을 3개로 나누어서 하나의 샘플로 결합하고 100개의 트리 모델을 훈련시킨 다음 사용하지 않은 예측자를 살펴보고 차단했습니다. 그런 다음 평소와 같이 두 번째 샘플에서 재학습 정지를 사용하여 모델을 훈련하고 예측 변수를 제외하지 않고 훈련할 때 세 번째 샘플의 결과를 옵션과 비교했습니다. 선택한 예측 변수에서 결과가 더 나은 것으로 나타났으며 여기에서 이 효과의 결론을 잃어버렸습니다. "다른 예측 변수를 선택하는 것은 구간에 대한 샘플의 차이로 인한 것입니다. 전체 샘플에서 오랜 시간 동안 중요성을 잃지 않는 예측 변수를 자동으로 선택합니다." 그러나 이것이 표본이 클수록 장기적으로 모델이 더 안정적이라는 것을 의미합니까? 이런 식으로 훈련을 위한 예측 변수를 선택할 수 있습니까? 이것은 재교육에 기여하지 않습니까? 일반적으로 CatBoost 제작자로부터 모델의 하이퍼파라미터를 찾은 다음 사용 가능한 전체 샘플에서 어리석게도 모델을 작업에 적용해야 한다는 권장 사항을 들었습니다.
47.5%의 오차가 있는 옵션이 있었는데 멋있어 보였는데 MT 테스터에 연결해보니 성장이 아니라 추락이었습니다. 수수료가 고려되지 않은 것으로 밝혀졌으며 그녀는이 2 %의 혜택을 먹었습니다.
수수료 계산 방법은 다음과 같습니다.
스프레드에 4pt를 추가하고 싶었습니다. 그러나 그것은 옳지 않습니다. TP와 SL은 때때로 테스터에 있어야 하는 잘못된 막대의 과대평가된 Ask에 의해 트리거되기 때문에 이 때문에 후속 트랜잭션의 전체 순서가 변경될 수 있습니다.
그러나 테스터는 막대의 최소 스프레드도 사용하므로 현실과 다릅니다.
어느 것이 더 나은지 아직 파악하지 못했습니다.
시장이 A 방향으로 100포인트 움직였다면 스프레드에 전혀 의존하지 않아야 합니다. 재무 결과만 스프레드에 의존합니다. 교육 시 고려해서는 안 된다고 생각합니다. 모델이 확인 여부를 확인한 후 시장 상황에 따라 항목이 있고 표시할 때 단순히 스프레드를 가상으로 확장할 수 있는 기회가 있다고 가정합니다. 이익이 지정된 포인트 수보다 적으면 입력하지 않습니다. 나는 또한 순전히 샘플을 기반으로 결과를 계산할 때 모델을 분석할 때 스프레드를 고려합니다. 거래의 재무 결과에서 주어진 포인트 수를 뺍니다.
Moex에서는 가격이 있던 곳에서 정류장이 트리거되므로 물론 더 쉽습니다.