하지만 이는 서로 다른 값입니다. 단순화를 위해 항상 테이크프로핏 = 손절 = 1, 스프레드 = 0이라고 가정해 보겠습니다. 각 거래에서 우리는 입력하거나 입력하지 않습니다 - 단순화를 위해 시스템은 구매 전용입니다 (판매의 경우 다른 모델 사용).
정확도 = (진양성 + 진음성)/ (진양성 + 진음성 + 오탐 + 오탐)
이익 총계 = 정탐 - 오탐
정확도는 트리에서 분할 방법의 요구 사항에 맞는 것 같지만 수익은 그렇지 않은 것 같습니다.
단순화를 위해 모든 거래는 동일한 손익(1 또는 -1)을 제공합니다.
너무 미묘해서 이해하지 못함 😁 교사와 함께 알고리즘은 모든 중지 기준에 따라 교육 데이터 세트에서 배운 것을 근사화하려고합니다. 이 모든 지표는 순전히 보조적인 +-입니다. 이것이 제가 이것을 기반으로하는 것입니다. 제가 보기에 이 지표들은 최소한의 차이를 만들어낼 것 같고, 이 지표들을 통해 확인했습니다. 그래서 그것은 교사에게 부차적입니다.
Maxim Dmitrievsky #: 이러한 마크 업의 순서는 대략 다음과 같습니다. 변동에 따라 다른 방향으로 최소한의 단계로 수익성있는 거래를합니다. 이를 통해 단방향을 하나로 결합하고 비용을 고려하여 핍 수를 계산합니다. 두 개 이상이면 하나로 합치고 그렇지 않으면 짧은 것을 남겨 둡니다.
차트를 한 번에 살펴봅시다, 칼.
1) 작동하더라도 각 작업에 대해 기성품 대상으로 구현하기 위해 버팀목 알고리즘을 발명해야한다는 것이 밝혀 졌습니까?
그냥 FF를 작성하고 AMO가 좋다/나쁘다고 말하는 것이 더 쉽고 모든 작업, 범용 솔루션에 좋을 것 같지 않나요...?
2) 좋은 목표!= 이 목표에 대해 잘 훈련된 AMO.
타깃은 좋을지 몰라도 알고리즘을 훈련시킬 수 없으므로 평가해야 할 것은 타깃이 아니라 훈련된 AMO입니다.
정확도는 균형 잡힌 클래스에서 잘 작동합니다. 모든 표준 지표를 시도했지만 결과에는 거의 차이가 없었습니다. 수익 극대화는 최대 수익성 거래로 마크업을 통해 구현되지 않습니까?)
1) 거래 비용은 분류를 통해 고려되지 않으며, 클래스 마크는 판매해야 함을 보여줄 수 있지만 계속 구매하는 것이 경제적으로 더 유리할 수 있습니다,
수익 극대화는 이를 고려합니다.
2) 변동성도 마찬가지입니다.
3) 세 가지 상태 매수, 매도, 아무것도하지 않는 세 가지 상태를 구현하는 방법이 명확하지 않고 세 가지 클래스의 맥락에서가 아니라 거래에 관한 것입니다.
4) 분류를 통해 MO를 통한 스톱/테이크 관리 방법이 명확하지 않습니다.
.....
..
..
정확도는 균형 잡힌 클래스에서 잘 작동합니다. 모든 표준 메트릭을 시도했지만 결과에는 거의 차이가 없었습니다.
그래도 서로 다른 값입니다. 간단하게 테이크프로핏 = 스톱로스 = 1, 스프레드 = 0이라고 가정해 보겠습니다. 각 거래에서 우리는 입력하거나 입력하지 않습니다 - 단순화를 위해 시스템은 구매 전용입니다 (판매의 경우 다른 모델을 사용하도록 허용).
정확도 = (진양성 + 진음성)/ (진양성 + 진음성 + 거짓양성 + 거짓음성)
Profit_total = 정탐 - 오탐
정확도는 트리에서 분할 방법의 요구 사항에 맞는 것 같지만 수익은 그렇지 않은 것 같습니다.
수익 극대화는 최대 수익 거래로 마크업을 통해 구현됩니다.)
간단히 말해서 모든 거래는 동일한 손익을 제공합니다 (1 또는 -1).
1) 무역 비용은 분류를 통해 고려되지 않으며, 클래스 마크는 연장이 필요하다는 것을 보여줄 수 있지만 계속 구매하는 것이 더 경제적으로 수익성이 높을 수 있습니다,
수익 극대화는 이를 고려합니다.
2) 변동성도 마찬가지
3) 세 가지 상태의 구매, 판매, 아무것도하지 않는 것을 실현하는 방법은 명확하지 않지만 세 가지 클래스의 맥락이 아니라 특히 거래에 관한 것입니다.
4) 분류를 통해 MO를 통한 스톱/테이크 관리 방법이 명확하지 않습니다.
.....
..
..
하지만 이는 서로 다른 값입니다. 단순화를 위해 항상 테이크프로핏 = 손절 = 1, 스프레드 = 0이라고 가정해 보겠습니다. 각 거래에서 우리는 입력하거나 입력하지 않습니다 - 단순화를 위해 시스템은 구매 전용입니다 (판매의 경우 다른 모델 사용).
정확도 = (진양성 + 진음성)/ (진양성 + 진음성 + 오탐 + 오탐)
이익 총계 = 정탐 - 오탐
정확도는 트리에서 분할 방법의 요구 사항에 맞는 것 같지만 수익은 그렇지 않은 것 같습니다.
단순화를 위해 모든 거래는 동일한 손익(1 또는 -1)을 제공합니다.
이 방법을 사용해 보셨나요? (페이지 중간쯤에 있는 모델 해석 섹션을 찾아보세요).
이러한 마크 업의 순서는 대략 다음과 같습니다. 변동에 따라 다른 방향으로 최소한의 단계로 수익성있는 거래를합니다. 이를 통해 단방향을 하나로 결합하고 비용을 고려하여 핍 수를 계산합니다. 두 개 이상이면 하나로 합치고 그렇지 않으면 짧은 것을 남겨 둡니다.
1) 작동하더라도 각 작업에 대해 기성품 대상으로 구현하기 위해 버팀목 알고리즘을 발명해야한다는 것이 밝혀 졌습니까?
그냥 FF를 작성하고 AMO가 좋다/나쁘다고 말하는 것이 더 쉽고 모든 작업, 범용 솔루션에 좋을 것 같지 않나요...?
2) 좋은 목표!= 이 목표에 대해 잘 훈련된 AMO.
타깃은 좋을지 몰라도 알고리즘을 훈련시킬 수 없으므로 평가해야 할 것은 타깃이 아니라 훈련된 AMO입니다.
제가 FF에 대해 이야기할 때 이 사실을 깨달았지만 이미 잊어버린 것 같습니다.
1) 작동하더라도 각 작업에 대해 준비된 대상으로 구현하기 위해 일부 버팀목 알고리즘을 발명해야한다는 것이 밝혀 졌습니까?
FF를 작성하고 AMO-좋음 / 나쁨이라고 말하면 모든 작업, 범용 솔루션에 좋을 것입니다...?
2) 좋은 목표 != 이 목표 아래에서 잘 훈련된 AMO.
목표는 좋지만 알고리즘을 학습시킬 수 없으므로 평가해야 하는 것은 목표가 아니라 학습된 AMO입니다.
제가 FF에 대해 이야기할 때 이 사실을 깨달으셨을 텐데 잊어버리신 것 같네요.
FF가 데이터 세트에 넣는다는 사실을 모르시는군요. 따뜻한 것과 부드러운 것을 혼동해서 추가 작업을 하고 있습니다.
모든 것이 당신이 말한대로라면 RL은 없을 것입니다.
그리고 일반적으로 모든 사람이 자신의 방식대로하는 것이 좋습니다. 더 많은 의견-더 풍부한 검색 공간....
나는 더 이상 많이하지 않습니다. 나는 그 단계를 지나쳤습니다 ...
말씀하신 대로라면 애초에 RL은 존재하지 않았을 겁니다.