Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3139
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Он туп ужасно пока что , но учиться как то совсем по другому чем другие модели , мне кажеться что когда он обучиться это будет жесть
разбор статьи Прадо про переобучение
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Бард:
Суть метода авторов заключается в использовании кросс-валидации для оценки того, насколько сильно модель меняется при добавлении новых данных. Если модель сильно меняется, это означает, что она переобучается на обучающих данных и, скорее всего, будет переобучена на тестовых данных.
Метод авторов работает следующим образом:
Метод авторов более точен, чем традиционные методы оценки переобучения, такие как holdout, потому что он учитывает изменение модели при добавлении новых данных. Holdout метод оценивает переобучение только на основе обучающих и тестовых данных, но не учитывает изменения модели при добавлении новых данных.
Метод авторов может быть использован для оценки вероятности переобучения любой модели машинного обучения. Он может быть использован для оценки вероятности переобучения модели, которая прогнозирует цены на акции, модель, которая классифицирует изображения, или любую другую модель машинного обучения.
вариант 2 ====================================
Метод, предложенный авторами, основан на идее использования кросс-валидации для оценки того, насколько сильно модель меняется при добавлении новых данных. Если модель сильно меняется, это означает, что она переобучается на обучающих данных и, скорее всего, будет переобучена на тестовых данных.
Для того чтобы оценить вероятность переобучения, авторы используют метод кросс-валидации, называемый k-fold cross-validation. В k-fold cross-validation данные разбиваются на k равных частей. Затем модель обучается на k-1 частях данных, а оставшаяся часть данных используется для тестирования. Этот процесс повторяется k раз, и результаты k тестов объединяются для получения оценки точности модели.
После того как получена оценка точности модели, авторы используют ее для оценки вероятности переобучения. Они делают это, вычисляя дисперсию оценок точности. Чем выше дисперсия, тем больше вероятность переобучения.
Авторы показывают, что их метод может быть более точным, чем традиционные методы оценки переобучения, такие как holdout. Они также показывают, что их метод может быть использован для выбора наилучших гиперпараметров модели.
Вот шаги, которые авторы используют для оценки вероятности переобучения:
Авторы показывают, что их метод может быть использован для оценки вероятности переобучения для различных моделей машинного обучения, включая линейные регрессии, логистические регрессии и деревья решений. Они также показывают, что их метод может быть использован для выбора наилучших гиперпараметров для этих моделей.
В целом, метод, предложенный авторами, является точным и полезным инструментом для оценки вероятности переобучения. Метод авторов может быть использован для оценки вероятности переобучения модели и для выбора наилучших гиперпараметров модели.
вариант 3 =========================================
Метод авторов основан на идее использования кросс-валидации для оценки того, насколько сильно модель меняется при добавлении новых данных. Если модель сильно меняется, это означает, что она переобучается на обучающих данных и, скорее всего, будет переобучена на тестовых данных.
Чтобы продемонстрировать точность своего метода, авторы применили его к задаче прогнозирования цен на акции. Они сравнили результаты своего метода с результатами holdout и показали, что их метод более точно прогнозирует цены на акции.
Авторы также показали, что их метод может быть использован для выбора наилучших гиперпараметров модели. Они использовали свой метод для выбора наилучших гиперпараметров для модели машинного обучения, которая прогнозирует цены на акции. Они показали, что их метод может выбрать гиперпараметры, которые приводят к модели с более высокой точностью.
В целом, авторы показали, что их метод оценки вероятности переобучения является точным и полезным инструментом для бэктестирования. Метод авторов может быть использован для оценки вероятности переобучения модели и для выбора наилучших гиперпараметров модели.
Вот шаги, которые используются в методологии авторов:
Метод авторов является более точным, чем традиционные методы оценки переобучения, такие как holdout, потому что он учитывает изменение модели при добавлении новых данных. Holdout метод оценивает модель только на обучающем наборе и на тестовом наборе. Это означает, что holdout метод не может учитывать изменение модели при добавлении новых данных.
Метод авторов также может быть использован для выбора наилучших гиперпараметров модели. Holdout метод не может быть использован для выбора наилучших гиперпараметров модели, потому что он не учитывает изменение модели при добавлении новых данных.
В целом, метод авторов является точным и полезным инструментом для бэктестирования. Метод авторов может быть использован для оценки вероятности переобучения модели и для выбора наилучших гиперпараметров модели.
Не следует торопиться с ответом, мой милый друг.
P.Z.
Присутствует много отвлекающих факторов.
Это похоже немного на Е=С*М*С, которое никто так и не решил.
Хотя! Альберт, в своё время пытался за это получить по шНобелю.
Не следует торопиться с ответом, мой милый друг.
P.Z.
Присутствует много отвлекающих факторов.
Это похоже немного на Е=С*М*С, которое никто так и не решил.
Хотя! Альберт, в своё время пытался за это получить по шНобелю.
Это очередная невозможная релятивистская задачка, даже не указано до какой скорости разогнали корабль фотонные двигатели
если до скорости света (что невозможно в релятивизме), то прилипнет к перчатке :)
Если в классической механике, то болт первый долетит
Еще там может быть какая-нибудь фигня про стороннего наблюдателя, для которого болт вообще вернется на землю :)Это очередная невозможная релятивистская задачка, даже не указано до какой скорости разогнали корабль фотонные двигатели
если до скорости света (что невозможно в релятивизме), то прилипнет к перчатке :)
Если в классической механике, то болт первый долетит
тогда да, Б ) если корабль не выключил мотор
тогда да, Б )
P.Z.
Never slept so little,
Never smoked so much
Lost my concentration, I could
Even lose my touch
P.Z.
Выключил мотор! Есть в описании.
P.Z.
Never slept so little,
Never smoked so much
Lost my concentration, I could
Even lose my touch
P.Z.
Выключил мотор! Есть в описании.
значит до марса долетит первый
значит до марса долетит первый
P.Z.
Talking to myself,
Crying out loud
Only I can hear me,
I'm stuck inside a cloud