交易中的机器学习：理论、模型、实践和算法交易 - 页 1439

新评论
 
马克西姆-德米特里耶夫斯基。


现实上，在catbust下重写整个TS来尝试......也有很多麻烦。但事实是，在小数据集上的学习森林泛化得很好，例如，在2-5k的样本上，只增加2次，在相同的数据上，完全重新培训。这是一个事实。

试过短数据集，有几周有30%的误差，下一周有60-70%的误差。也就是说，平均为50%。

 
埃利布留斯。

试过短的数据集，有时一个星期的误差是30%，接下来是60-70%。平均为50%。

例如，如果我训练了一个月，用新的数据训练一年，效果也差不多。我训练了2-3个月--已经不起作用了......一些狗屁。

和模型误差是一样的
 
马克西姆-德米特里耶夫斯基。

例如，如果我训练了一个月，用新的数据训练一年，效果也差不多。我训练了2-3个月--它不再起作用了......某种意义上的胡说八道

这些结果是在你的自学系统上吗？
 
elibrarius。
这是在你的自学系统这些结果吗？

是的，在这上面，有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如，有一个信号，打开一个买入交易，只要它是开放的，在每一个新的酒吧 添加另一个样本与相同的买入标记，与新的读数的芯片，分别。这将大大减少误差。某种重复的样本。

在一些模型中，它可能不会减少误差，但在我的模型中，它确实如此。
 
马克西姆-德米特里耶夫斯基。

是的，在这上面，有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如，有一个信号，打开一个买入交易，只要它是开放的，在每一个新的酒吧 添加另一个样本与相同的买入标记，与新的读数的芯片，分别。这将大大减少误差。某种重复的样本。

嗯，这有点像在第一次运行时选择一个目标。其余的周期基本上只是跟着老师学习，从第一次运行开始。
有了这一招，你会测试出更多的变化。
 
elibrarius。
好吧，这是在第一次运行时的一种目标匹配。其余的周期基本上只是跟着老师学习，从第一次运行开始。
有了这一招，你将测试更多的变化。

我不太明白。相反，它是一种重复的样本。通常情况下，你只是提供买入和卖出信号，而不关心这些信号之间的市场表现。如果你添加了中间的支持样本，那么模型会自动进行更好的分类。

例如，如果我实际上有1000个样本-信号，那么加上中间的强化，就是5千或更多
 
阿列克谢-维亚兹米 金。

修剪必须控制完整性，即剪到样本覆盖率至少为0.5-1%。

什么？"只是根据经验切断到合适的深度。

 
马克西姆-德米特里耶夫斯基。

什么的完整性？"只是根据经验切入到适当的深度

列表中应该至少包含样本中的某个百分比的例子，如果少于这个百分比，你就把分叉的地方切掉。例子越多，规律性的可能性就越大--这里的一切都很简单。

 
马克西姆-德米特里耶夫斯基。

是的，在这上面，有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如，有一个信号，打开一个买入交易，只要它是开放的，在每一个新的酒吧 添加另一个样本与相同的买入标记，与新的读数的芯片，分别。这将大大减少误差。某种重复的样本。

也许在某些模型中它不会减少误差，但在我的模型中它会。

我开始采用这种方法，但相反，我试图找到从进入点到退出点的正确分类曲线的平滑度，但我的方法需要大量的计算能力--所以我不得不放弃它。你有相反的情况，这很有趣，有可能出现反趋势......我只是在想，我怎样才能实现类似于MO的东西，在我的信号中起作用--我不知道如何训练，但那里显然有一些潜力。

 
马克西姆-德米特里耶夫斯基。

我不太明白。相反，它是一种重复的样本。通常情况下，你只是提供买入和卖出信号，而不关心这些信号之间的市场表现。如果你增加中间的支持样本，模型的分类效果会更好。

例如，如果我有1000个样本-信号，那么加上中间支持，就是5千或更多。

我也注意到并应用了它，但就我的理解，它之所以有效是因为数据是垃圾，而这样的技巧有助于在一系列异常值上进行训练。如果你不这样做，模型适合一个经纪人，甚至有时在同一终端的一些数据重载更新后停止工作。

1...143214331434143514361437143814391440144114421443144414451446...3399
新评论