交易中的机器学习:理论、模型、实践和算法交易 - 页 1305 1...129812991300130113021303130413051306130713081309131013111312...3399 新评论 Aleksey Vyazmikin 2019.02.09 13:01 #13041 性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数 本质上的准确性 直方图显示,分类准确率的提高随着分类概率阈值的转变而相当平稳地发生,而这一点对于利润来说是不可能的。 事实证明,我们不仅要考虑分类效率,还要估计利润在规则(叶子)之间如何分配,以及它们的敏感阈值是什么。换句话说,无论你怎么看,你都必须拉出个别规则,给他们一个估计。 Maxim Dmitrievsky 2019.02.09 13:02 #13042 elibrarius。 看到)。 人们对术语普遍感到困惑。那么交叉验证呢? 所有的sabbets都参与其中,所以验证比测试要好。 总之,是的,不管怎样。我的测试是子样本的第二部分,但我到时称它为验证性测试 Forester 2019.02.09 13:06 #13043 阿列克谢-维亚兹米 金。性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数 本质上的准确性 直方图显示,分类准确率的提高随着分类概率阈值的转变而相当平稳地发生,而这一点对于利润来说是不可能的。 事实证明,我们不仅要考虑分类效率,还要估计利润在规则(叶子)之间如何分配,以及它们的灵敏度阈值是多少。无论你怎么切,你都必须拉出个别规则,并对其进行估计。0.65的利润较小,因为交易量较少。例如,将有10个交易,而不是100个,你可以增加手数 Maxim Dmitrievsky 2019.02.09 13:10 #13044 阿列克谢-维亚兹米 金。性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数 本质上的准确性 直方图显示,分类准确率的提高随着分类概率阈值的转变而相当平稳地发生,而这一点对于利润来说是不可能的。 事实证明,我们不仅要考虑分类效率,还要估计利润在规则(叶子)之间如何分配,以及它们的敏感阈值是什么。也就是说,不管你怎么转,你都要拉出个别规则,给他们一个估计。提高阈值,当模型变坏时,新数据上的交易会越来越少,概率会在零附近滚动,这是一个重新训练的好时机。 要提高阈值,误差必须很低,否则根本就没有信号。 Aleksey Vyazmikin 2019.02.09 13:13 #13045 elibrarius。0.65的利润比较小,因为交易量也比较少。例如,我们将有10个交易,而不是100个,我们可以增加手数。交易的数量,以及盈利的交易只是相当平稳地变化(按照MT的逻辑,一个交易是一个交易/2)。 只是每笔交易的损失并不稳定,因为止损 并不固定。 Aleksey Vyazmikin 2019.02.09 13:19 #13046 elibrarius。 看到)。 总的来说,术语是混乱的我提出了我的术语(我暂时会坚持)。 1.训练样本--模型创建的地方 2. 测试样本 - 用于控制模型训练的质量,包括停止训练 3.检查样本--用于估计模型质量,独立于训练。 Aleksey Vyazmikin 2019.02.09 13:24 #13047 马克西姆-德米特里耶夫斯基。提高阈值,当模型恶化时,新数据上的交易会越来越少,概率会在零附近打转,这是重新培训的好时机。 你需要一个低的误差来提高阈值,否则根本就没有信号是的,这是可以理解的。这只是信号的消失,因为叶子中缺乏重放连接,特别是如果他们大的总激活部分在0.5附近移动,看起来像0.1+0.05+0.08+0.25+0.03--其中一个总和已经掉了,就是这样,没有激活发生。 Maxim Dmitrievsky 2019.02.09 13:28 #13048 阿列克谢-维亚兹米 金。这是可以理解的。只是信号消失了,因为叶子中缺乏繁殖环节,特别是如果他们的大总激活部分围绕0.5旋转,看起来像0.1+0.05+0.08+0.25+0.03的总和--掉了其中一个总和,所有,没有激活发生。这意味着算法不能正确地泛化到新的数据,你需要进一步扭曲它)大致上--重新训练 Кеша Рутов 2019.02.09 13:29 #13049 马克西姆-德米特里耶夫斯基。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 在不同的验证中,这是一个通过选项的问题。 我不再透露算法了,我只负责沟通О!这就是交易!几乎和我的一样!告诉你赫克没有必要听各种啤酒和巫师的意见 :) Aleksey Vyazmikin 2019.02.09 13:30 #13050 马克西姆-德米特里耶夫斯基。这意味着算法对新的数据没有很好的概括性,你需要进一步扭曲-扭曲)大致-重新训练所以我扭扭捏捏的,我不想欺骗自己 :) 我现在要增加一剂新的预测器...... 1...129812991300130113021303130413051306130713081309131013111312...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
性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数
本质上的准确性
直方图显示,分类准确率的提高随着分类概率阈值的转变而相当平稳地发生,而这一点对于利润来说是不可能的。
事实证明,我们不仅要考虑分类效率,还要估计利润在规则(叶子)之间如何分配,以及它们的敏感阈值是什么。换句话说,无论你怎么看,你都必须拉出个别规则,给他们一个估计。
看到)。
人们对术语普遍感到困惑。
那么交叉验证呢? 所有的sabbets都参与其中,所以验证比测试要好。
总之,是的,不管怎样。我的测试是子样本的第二部分,但我到时称它为验证性测试
性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数
本质上的准确性
直方图显示,分类准确率的提高随着分类概率阈值的转变而相当平稳地发生,而这一点对于利润来说是不可能的。
事实证明,我们不仅要考虑分类效率,还要估计利润在规则(叶子)之间如何分配,以及它们的灵敏度阈值是多少。无论你怎么切,你都必须拉出个别规则,并对其进行估计。
0.65的利润较小,因为交易量较少。例如,将有10个交易,而不是100个,你可以增加手数
性能的变化是0/1分类的 "概率 "阈值从0.45到0.65转变的函数
本质上的准确性
直方图显示,分类准确率的提高随着分类概率阈值的转变而相当平稳地发生,而这一点对于利润来说是不可能的。
事实证明,我们不仅要考虑分类效率,还要估计利润在规则(叶子)之间如何分配,以及它们的敏感阈值是什么。也就是说,不管你怎么转,你都要拉出个别规则,给他们一个估计。
提高阈值,当模型变坏时,新数据上的交易会越来越少,概率会在零附近滚动,这是一个重新训练的好时机。
要提高阈值,误差必须很低,否则根本就没有信号。0.65的利润比较小,因为交易量也比较少。例如,我们将有10个交易,而不是100个,我们可以增加手数。
交易的数量,以及盈利的交易只是相当平稳地变化(按照MT的逻辑,一个交易是一个交易/2)。
只是每笔交易的损失并不稳定,因为止损 并不固定。
看到)。
总的来说,术语是混乱的
我提出了我的术语(我暂时会坚持)。
1.训练样本--模型创建的地方
2. 测试样本 - 用于控制模型训练的质量,包括停止训练
3.检查样本--用于估计模型质量,独立于训练。
提高阈值,当模型恶化时,新数据上的交易会越来越少,概率会在零附近打转,这是重新培训的好时机。
你需要一个低的误差来提高阈值,否则根本就没有信号是的,这是可以理解的。这只是信号的消失,因为叶子中缺乏重放连接,特别是如果他们大的总激活部分在0.5附近移动,看起来像0.1+0.05+0.08+0.25+0.03--其中一个总和已经掉了,就是这样,没有激活发生。
这是可以理解的。只是信号消失了,因为叶子中缺乏繁殖环节,特别是如果他们的大总激活部分围绕0.5旋转,看起来像0.1+0.05+0.08+0.25+0.03的总和--掉了其中一个总和,所有,没有激活发生。
这意味着算法不能正确地泛化到新的数据,你需要进一步扭曲它)大致上--重新训练
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
在不同的验证中,这是一个通过选项的问题。
我不再透露算法了,我只负责沟通О!这就是交易!几乎和我的一样!告诉你赫克没有必要听各种啤酒和巫师的意见 :)
这意味着算法对新的数据没有很好的概括性,你需要进一步扭曲-扭曲)大致-重新训练
所以我扭扭捏捏的,我不想欺骗自己 :)
我现在要增加一剂新的预测器......