交易中的机器学习:理论、模型、实践和算法交易 - 页 1302 1...129512961297129812991300130113021303130413051306130713081309...3399 新评论 Aleksey Vyazmikin 2019.02.08 11:20 #13011 马克西姆-德米特里耶夫斯基。最让我高兴的是大量的 "预测器"。首先,它从哪里来的引文?这90%都是垃圾。每个人都以不同的方式描述自己的幻觉,而当下拥有大量金钱的人的幻觉是有效的。这就是为什么真的,可能有许多预测者,我不认为这里有任何矛盾,这就像灌木丛由枝叶组成,但有人可能把它们修剪成不同的复杂数字,引起沉思者的不同反应。 Maxim Dmitrievsky 2019.02.08 11:40 #13012 阿列克谢-维亚兹米 金。每个人都以不同的方式描述自己的幻觉,而当下拥有大量金钱的人的幻觉是有效的。因此,真的可以有很多预测者,我不认为这里有任何矛盾,这就像灌木由枝叶组成,但有人想到要把它们修剪成不同的复杂数字,引起沉思者的不同反应。好吧,各取所需,我对这样的忌讳很纠结,总之,按现在的调整,主要是会有一段时间的工作。事实证明,如果你找到输入/输出的最佳组合,那么4个预测器就足够了。 简而言之,需要在效率和时间之间做出妥协 Yuriy Asaulenko 2019.02.08 16:37 #13013 马克西姆-德米特里耶夫斯基。无论你从哪方面挖掘,你都会发现虚幻的 "模式 "无处不在,它们可以在任何现象中找到。 最让我高兴的是大量的 "预测器"。在引文中,它是从哪里来的?这90%都是垃圾。没错,这就是垃圾。而每个指标单独来看,大约是50/50,而且,有一个非常狭窄的操作范围--在其读数真正有意义的那些地方。 但合起来看...它们已经限制了其他指标的适用范围,定义了N个维度空间的一些区域,在这些区域中,它们的联合读数是有意义的。我想这被称为一个时髦的词--协同作用)。 在我看来,它需要大约7-8个指标-预测者。唯一的问题是它们不应该测量相同的东西)。 Aleksey Vyazmikin 2019.02.09 10:37 #13014 马克西姆-德米特里耶夫斯基。好吧,这是由每个人自己决定的,我担心这种恪守,在任何情况下,最主要的是,它在一段时间内的工作。事实证明,如果你找到了输入/输出的最佳组合,甚至4个预测器也足够了。 简而言之,需要在效率和耗时之间做出妥协。这就是重点,最主要的是要让它发挥作用... 然而,事实证明。 1.由于记忆效应,大模型会过度训练 2.规则(叶子/二叉树)在历史上工作得越好,它在生产中的机会就越少。 否则,你会得到这样一个具有高精确度和高历史回报的图表 而对仅有1000年利润的考试样本(图上有)(和资金的缩减差不多),准确率下降到58%。 在 "概率 "为0.6的情况下进行了1/0分割激活的测试,在概率为0.5的情况下,非研究期的利润约为5000,但在测试期约为57,图表走势较多,准确性较低。 这是否意味着在培训期间的额外良好阅读是再培训的保证? Грааль 2019.02.09 10:53 #13015 阿列克谢-维亚兹米 金。但在测试期间,在57%的范围内 这是否意味着对训练期的额外良好阅读是过度训练的保证?测试中57%的准确率是非常好的,甚至是太好的,但是是的,纱线上的结果和测试中的结果之间的差异越大,过拟合的概率就越高。 Aleksey Vyazmikin 2019.02.09 10:58 #13016 圣杯。测试的准确度为57%,非常好,甚至太好,但是,是的,枞树上的结果和测试的结果差别越大,你就越有可能装得过满。所以我假设未来是不确定的,没有人可以告诉我,你在训练之外的样本上会做得很好...这就是为什么我在寻找某种联系。 那么准确率呢(不是准确率,因为它没有考虑到错过的条目,那些本应是1的条目被归类为0),不是那么简单,因为利润不等于损失--可能是更高的利润,也可能是相反的。事实证明,是的,这个模式似乎是有效的,但它并没有带来利润。 Maxim Dmitrievsky 2019.02.09 11:01 #13017 阿列克谢-维亚兹米 金。这就是重点,最主要的是要让它发挥作用... 然而,到目前为止,事实证明,。 1.由于记忆效应,大模型会过度训练 2.规则(叶子/二叉树)在历史上工作得越好,它在生产中的机会就越少。 否则你可以得到这样一个具有高精确度和高历史回报率的图表 而对仅有1000年利润的考试样本(图上有)(和资金的缩减差不多),准确率下降到58%。 在 "概率 "为0.6的情况下进行了1/0分割激活的测试,在概率为0.5的情况下,非研究期的利润约为5000,但在测试期约为57,图表走势较多,准确性较低。 这是否意味着对训练期的超级好的解读就是过度训练的保证?作为一项规则,是的。 迹象越多,过度训练就越多 Maxim Dmitrievsky 2019.02.09 11:02 #13018 圣杯。测试中57%的准确率是非常好的,甚至是太好的,但是,是的,firn上的结果和测试上的结果差异越大,过拟合的概率就越高。有些人认为随机也是好的,疯了吧))随机+7% nerendom是坏的,但它比随机好。不,它不坏,它很恶心,它根本就不是一个模型。 每个人都要紧急学习机器学习的基础知识和Terver 特别是如果图表显示57%,那么你可以立即把它看成是过度训练,先验的,而不是进一步分析什么。 Aleksey Vyazmikin 2019.02.09 11:09 #13019 马克西姆-德米特里耶夫斯基。有些人认为随机数也是好的,去吧))随机数+7%的随机数是不好的,但比随机数好一点。不,这不是坏事......这是令人厌恶的,这根本就不是一个模型 每个人都要紧急学习机器学习的基础知识,并且要学习Terver。现在你们的模型在训练之外的准确度是多少?而随着什么时期的到来,它是如何下降(变化)的? 我在训练之外有10个月的时间。 Maxim Dmitrievsky 2019.02.09 11:10 #13020 阿列克谢-维亚兹米 金。现在你的模型在学习之外的准确性如何?而随着时间的推移,这个数字是如何下降(变化)的? 我有10个月的休训期。每个测试和跟踪的误差为10%,约1万个例子,随着增加而平滑增加 在这个错误中,模型开始在新的数据上工作 验证时是不同的,我需要尝试并弄清选项。 不再透露算法,只是交流 1...129512961297129812991300130113021303130413051306130713081309...3399 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
最让我高兴的是大量的 "预测器"。首先,它从哪里来的引文?这90%都是垃圾。
每个人都以不同的方式描述自己的幻觉,而当下拥有大量金钱的人的幻觉是有效的。这就是为什么真的,可能有许多预测者,我不认为这里有任何矛盾,这就像灌木丛由枝叶组成,但有人可能把它们修剪成不同的复杂数字,引起沉思者的不同反应。
每个人都以不同的方式描述自己的幻觉,而当下拥有大量金钱的人的幻觉是有效的。因此,真的可以有很多预测者,我不认为这里有任何矛盾,这就像灌木由枝叶组成,但有人想到要把它们修剪成不同的复杂数字,引起沉思者的不同反应。
好吧,各取所需,我对这样的忌讳很纠结,总之,按现在的调整,主要是会有一段时间的工作。
事实证明,如果你找到输入/输出的最佳组合,那么4个预测器就足够了。
简而言之,需要在效率和时间之间做出妥协
无论你从哪方面挖掘,你都会发现虚幻的 "模式 "无处不在,它们可以在任何现象中找到。
最让我高兴的是大量的 "预测器"。在引文中,它是从哪里来的?这90%都是垃圾。
没错,这就是垃圾。而每个指标单独来看,大约是50/50,而且,有一个非常狭窄的操作范围--在其读数真正有意义的那些地方。
但合起来看...它们已经限制了其他指标的适用范围,定义了N个维度空间的一些区域,在这些区域中,它们的联合读数是有意义的。我想这被称为一个时髦的词--协同作用)。
在我看来,它需要大约7-8个指标-预测者。唯一的问题是它们不应该测量相同的东西)。
好吧,这是由每个人自己决定的,我担心这种恪守,在任何情况下,最主要的是,它在一段时间内的工作。
事实证明,如果你找到了输入/输出的最佳组合,甚至4个预测器也足够了。
简而言之,需要在效率和耗时之间做出妥协。
这就是重点,最主要的是要让它发挥作用...
然而,事实证明。
1.由于记忆效应,大模型会过度训练
2.规则(叶子/二叉树)在历史上工作得越好,它在生产中的机会就越少。
否则,你会得到这样一个具有高精确度和高历史回报的图表
而对仅有1000年利润的考试样本(图上有)(和资金的缩减差不多),准确率下降到58%。
在 "概率 "为0.6的情况下进行了1/0分割激活的测试,在概率为0.5的情况下,非研究期的利润约为5000,但在测试期约为57,图表走势较多,准确性较低。
这是否意味着在培训期间的额外良好阅读是再培训的保证?
但在测试期间,在57%的范围内
这是否意味着对训练期的额外良好阅读是过度训练的保证?
测试中57%的准确率是非常好的,甚至是太好的,但是是的,纱线上的结果和测试中的结果之间的差异越大,过拟合的概率就越高。
测试的准确度为57%,非常好,甚至太好,但是,是的,枞树上的结果和测试的结果差别越大,你就越有可能装得过满。
所以我假设未来是不确定的,没有人可以告诉我,你在训练之外的样本上会做得很好...这就是为什么我在寻找某种联系。
那么准确率呢(不是准确率,因为它没有考虑到错过的条目,那些本应是1的条目被归类为0),不是那么简单,因为利润不等于损失--可能是更高的利润,也可能是相反的。事实证明,是的,这个模式似乎是有效的,但它并没有带来利润。
这就是重点,最主要的是要让它发挥作用...
然而,到目前为止,事实证明,。
1.由于记忆效应,大模型会过度训练
2.规则(叶子/二叉树)在历史上工作得越好,它在生产中的机会就越少。
否则你可以得到这样一个具有高精确度和高历史回报率的图表
而对仅有1000年利润的考试样本(图上有)(和资金的缩减差不多),准确率下降到58%。
在 "概率 "为0.6的情况下进行了1/0分割激活的测试,在概率为0.5的情况下,非研究期的利润约为5000,但在测试期约为57,图表走势较多,准确性较低。
这是否意味着对训练期的超级好的解读就是过度训练的保证?
作为一项规则,是的。
迹象越多,过度训练就越多测试中57%的准确率是非常好的,甚至是太好的,但是,是的,firn上的结果和测试上的结果差异越大,过拟合的概率就越高。
有些人认为随机也是好的,疯了吧))随机+7% nerendom是坏的,但它比随机好。
不,它不坏,它很恶心,它根本就不是一个模型。
每个人都要紧急学习机器学习的基础知识和Terver
特别是如果图表显示57%,那么你可以立即把它看成是过度训练,先验的,而不是进一步分析什么。有些人认为随机数也是好的,去吧))随机数+7%的随机数是不好的,但比随机数好一点。
不,这不是坏事......这是令人厌恶的,这根本就不是一个模型
每个人都要紧急学习机器学习的基础知识,并且要学习Terver。
现在你们的模型在训练之外的准确度是多少?而随着什么时期的到来,它是如何下降(变化)的?
我在训练之外有10个月的时间。
现在你的模型在学习之外的准确性如何?而随着时间的推移,这个数字是如何下降(变化)的?
我有10个月的休训期。
每个测试和跟踪的误差为10%,约1万个例子,随着增加而平滑增加
在这个错误中,模型开始在新的数据上工作
验证时是不同的,我需要尝试并弄清选项。
不再透露算法,只是交流