잘못된 답변. NN을 훈련할 때 훈련 샘플 기간보다 OOS 기간을 짧게 사용합니다. 결국 VR은 고정적이지 않으며, 반대로 하면 짧은 샘플에 적합하고 OOS에서 매우 모호한 결과를 얻을 수 있습니다.
그리고 나는 OOS가 훈련 샘플보다 크거나 같아야 한다고 말하지 않았습니다.
OOS의 크기가 작아짐에 따라, 즉 최적화 관련성이 높아지면 OOS 자체의 대표성이 떨어진다는 사실을 말씀드리는 것입니다. 즉, 귀하가 올바르게 언급한 바로 안장에 매우 빠르게 도달합니다. 지나치게 작은 OOS에서 매우 불쾌한 최적화 효과가 발생합니다. 여기서 TS는 훈련 세트가 아닌 OOS에 최적화되어 있습니다. "역방향 훈련"입니다.
항상 그렇듯이 황금 평균은 중간 어딘가에 있습니다. :) 그리고 각 특정 차량에 대한 이 중간은 다른 위치에 있습니다.
요컨대, OOS가 얼마나 커야 하는지에 대한 명확한 권장 사항이 없으며 명확하지도 않습니다. 직관과 경험에만 의존할 수 있습니다.
:o) .. 예상 rzhach .. 그러나 실제로 통계는 많은 차량보다 시원합니다. 시스템에 의해 부과된 고정 관념은 많은 사람들이 그들이 걸어가는 원에서 벗어나는 것을 허용하지 않는다는 것입니다. 이것은 모든 것이 이동 평균으로 시작하는 TA에 대한 일련의 교과서에서 나온 것입니다. 문제는 왜 공부하지 않는가입니다. 평균 데이터가있는 전체 방향이 완전한 쓰레기라면.그들은 기껏해야 실제를 보여줍니다.나는 mt :o)에 수 놓은 모든 표시기에 대해 이야기하고 있습니다. 그리고 어디로 갈까요? 그들이 여기 Deribasovskaya에서 말하는 것처럼.
OOS의 크기가 작아짐에 따라, 즉 최적화 관련성이 높아지면 OOS 자체의 대표성이 떨어진다는 사실을 말씀드리는 것입니다. 즉, 귀하가 올바르게 언급한 바로 안장에 매우 빠르게 도달합니다. 지나치게 작은 OOS에서 매우 불쾌한 최적화 효과가 발생합니다. 여기서 TS는 훈련 세트가 아닌 OOS에 최적화되어 있습니다. "역방향 훈련"입니다.
항상 그렇듯이 황금 평균은 중간 어딘가에 있습니다. :) 그리고 각 특정 차량에 대한 이 중간은 다른 위치에 있습니다.
요컨대, OOS가 얼마나 커야 하는지에 대한 명확한 권장 사항이 없으며 명확하지도 않습니다. 직관과 경험에만 의존할 수 있습니다.
여기에 감정이 필요하지 않습니다. 신경망 패킷을 사용할 때 샘플 및 OOS 기간은 특정 입력에 대해 경험적으로 한 번 선택되고 이후에는 변경되지 않습니다. 저것들. NN 입력이 적절하다면 다른 모든 것은 직관이 아니라 기술의 문제입니다.
MT 테스터의 경우 이미 언급했듯이 파리를 커틀릿에서 분리할 수 있는 방법이 없기 때문에 모든 것이 훨씬 더 복잡합니다. 최적화된 샘플에서 최적화가 시작되는 순간을 포착하는 것은 거의 불가능합니다. 보다 정확하게는 수동으로 최적화를 중단하고 앞으로 실행하여 순간을 포착하기 위해 패스 수를 점차 늘려갈 수 있지만 최적화 시간이 상당할 수 있고 앞으로의 경우 매번 날짜를 변경해야 하고 관심을 이 접근 방식에서는 받침대 아래로 떨어집니다.
잘못된 답변. NN을 훈련할 때 훈련 샘플 기간보다 OOS 기간을 짧게 사용합니다. 결국 VR은 고정적이지 않으며, 반대로 하면 짧은 샘플에 적합하고 OOS에서 매우 모호한 결과를 얻을 수 있습니다.
그리고 나는 OOS가 훈련 샘플보다 크거나 같아야 한다고 말하지 않았습니다.
OOS의 크기가 작아짐에 따라, 즉 최적화 관련성이 높아지면 OOS 자체의 대표성이 떨어진다는 사실을 말씀드리는 것입니다. 즉, 귀하가 올바르게 언급한 바로 안장에 매우 빠르게 도달합니다. 지나치게 작은 OOS에서 매우 불쾌한 최적화 효과가 발생합니다. 여기서 TS는 훈련 세트가 아닌 OOS에 최적화되어 있습니다. "역방향 훈련"입니다.
항상 그렇듯이 황금 평균은 중간 어딘가에 있습니다. :) 그리고 각 특정 차량에 대한 이 중간은 다른 위치에 있습니다.
요컨대, OOS가 얼마나 커야 하는지에 대한 명확한 권장 사항이 없으며 명확하지도 않습니다. 직관과 경험에만 의존할 수 있습니다.
2단계 조정...
;)
2단계 조정...
;)
:) 그러나 그것이 어떻게 자신감을 증가시키는가!
이것으로 문제는 마침내 - 점점 더 높아집니다 ...
나이에 적합하지 않습니다.
;)
피팅과 실제 패턴의 경계는 어디입니까?
시장을 살펴보면 기존 패턴이 매개변수적으로 일정할 수 없음을 알 수 있습니다. 모든 시스템에는 하나 이상의 이벤트에 대한 적합성 수준과 규칙성 수준이 있습니다.
그리고 두 번째 수준으로의 우세는 거래 아이디어 자체의 합리성에 대한 책임이 있습니다.
추상적으로 생각합니다. 다른 사람들의 생각은 흥미로울 것입니다.
많은 요인에 따라 달라지며 주요 의존성은 시스템 자체에 있습니다. 예를 들어:
1. 큰 샘플 - 음, 6000 연속으로 안정적으로 작동하면 항상 좋은 것입니다 - 더 많이 작동하지 않는 이유는 무엇입니까?
2. 일부 예상되는 특성 준수 - 예를 들어 시장에 대한 일부 이벤트의 영향이 예상되고 이력으로 확인됨 - 그러면 약 100개 이하의 이벤트와 같이 그다지 크지 않은 샘플을 고려할 수 있습니다.
3. 일부 예상 매개변수에 대한 매개변수의 일치. 원칙적으로 - 포인트 2와 같지만 다른 측면에서 - 예를 들어 추세 시스템의 경우 성공 거래의 %%와 평균 이익 대 손실 비율이 대략적으로 명확합니다.
글쎄, 등등.
그리고 가장 중요한 것은 - 100% 작동하는 방법은 없습니다. 엔지니어링 관점에서 볼 때 존재하지만 "다양화"라고합니다. :)
같은 장소에서 - 진자가 ...
:o) .. 예상 rzhach .. 그러나 실제로 통계는 많은 차량보다 시원합니다. 시스템에 의해 부과된 고정 관념은 많은 사람들이 그들이 걸어가는 원에서 벗어나는 것을 허용하지 않는다는 것입니다. 이것은 모든 것이 이동 평균으로 시작하는 TA에 대한 일련의 교과서에서 나온 것입니다. 문제는 왜 공부하지 않는가입니다. 평균 데이터가있는 전체 방향이 완전한 쓰레기라면.그들은 기껏해야 실제를 보여줍니다.나는 mt :o)에 수 놓은 모든 표시기에 대해 이야기하고 있습니다. 그리고 어디로 갈까요? 그들이 여기 Deribasovskaya에서 말하는 것처럼.
.... 즉, 5/95%는 더 좋지 않습니다 ....
말해 주세요. 그 통계 어디서 났어?
그리고 이건 집합적인 자료입니다 같은 TA 교환학원에서 2년동안 가르쳤습니다.. 10~15명정도 60주정도 700명정도, 몇년만에 20명만 봅니다. 모두 벌게 됨을 의미합니다. 돈 버는 사람은 나뿐 :)
:o) 예상 rzhach ..
그리고 이건 집합적인 자료입니다 같은 TA 교환학원에서 2년동안 가르쳤습니다.. 10~15명정도 60주정도 700명정도, 몇년만에 20명만 봅니다. 모두 벌게 됨을 의미합니다. 돈 버는 사람은 나뿐 :)
니보르! 너?
;)
그리고 이건 집합적인 자료입니다 같은 TA 교환학원에서 2년동안 가르쳤습니다.. 10~15명정도 60주정도 700명정도, 몇년만에 20명만 봅니다. 모두 벌게 됨을 의미합니다. 돈 버는 사람은 나뿐 :)
사실은 받은 기간과 방식을 명시하지 않은 동일한 진술은 완전히 무의미하다. 심지어 교사들에게도.
예를 들어 rann은 실제 통계를 제시했습니다. 그러나 그것은 또한 고객을 위한 것이 아니라 계정을 위한 것입니다.
그리고 나는 OOS가 훈련 샘플보다 크거나 같아야 한다고 말하지 않았습니다.
OOS의 크기가 작아짐에 따라, 즉 최적화 관련성이 높아지면 OOS 자체의 대표성이 떨어진다는 사실을 말씀드리는 것입니다. 즉, 귀하가 올바르게 언급한 바로 안장에 매우 빠르게 도달합니다. 지나치게 작은 OOS에서 매우 불쾌한 최적화 효과가 발생합니다. 여기서 TS는 훈련 세트가 아닌 OOS에 최적화되어 있습니다. "역방향 훈련"입니다.
항상 그렇듯이 황금 평균은 중간 어딘가에 있습니다. :) 그리고 각 특정 차량에 대한 이 중간은 다른 위치에 있습니다.
요컨대, OOS가 얼마나 커야 하는지에 대한 명확한 권장 사항이 없으며 명확하지도 않습니다. 직관과 경험에만 의존할 수 있습니다.
여기에 감정이 필요하지 않습니다. 신경망 패킷을 사용할 때 샘플 및 OOS 기간은 특정 입력에 대해 경험적으로 한 번 선택되고 이후에는 변경되지 않습니다. 저것들. NN 입력이 적절하다면 다른 모든 것은 직관이 아니라 기술의 문제입니다.
MT 테스터의 경우 이미 언급했듯이 파리를 커틀릿에서 분리할 수 있는 방법이 없기 때문에 모든 것이 훨씬 더 복잡합니다. 최적화된 샘플에서 최적화가 시작되는 순간을 포착하는 것은 거의 불가능합니다. 보다 정확하게는 수동으로 최적화를 중단하고 앞으로 실행하여 순간을 포착하기 위해 패스 수를 점차 늘려갈 수 있지만 최적화 시간이 상당할 수 있고 앞으로의 경우 매번 날짜를 변경해야 하고 관심을 이 접근 방식에서는 받침대 아래로 떨어집니다.
니보르! 너?
;)
이해하지 못했다..
그리고 이건 집합적인 자료입니다 같은 TA 교환학원에서 2년동안 가르쳤습니다.. 10~15명정도 60주정도 700명정도, 몇년만에 20명만 봅니다. 모두 벌게 됨을 의미합니다. 돈 버는 사람은 나뿐 :)
사실은 받은 기간과 방식을 명시하지 않은 동일한 진술은 완전히 무의미하다. 심지어 교사들에게도.
예를 들어 rann은 실제 통계를 게시했습니다. 그러나 그것은 또한 고객을 위한 것이 아니라 계정을 위한 것입니다.
나는 실제 통계를 알고 있으며 시장에서 무언가를 해보면 같은 것을 알 수 있습니다. 또한 상단에는 기간과 방법이 명확하게 기재되어 있습니다.