交易中的机器学习：理论、模型、实践和算法交易 - 页 1545

新评论
 
mytarmailS:

尽量不要预测增长的迹象，而是预测例如下一个人字形膝盖的价格或更好的东西。 我想你会感到惊喜的。

唉，奇迹从来没有发生过，像价格（极值等）这样的总变量根本无法预测，嗯，比用魔杖（即什么都没有）好不了多少，相对的（价格偏离极值）就像增量一样糟糕。

 
圣杯》。

唉，奇迹永远不会发生，价格（极值等）等总体变量根本无法预测，嗯，比用魔杖（即什么都没有）好不了多少，而相对变量（价格偏离极值）的表现和增量一样糟糕。

我要告诉你的是，比如说，在接下来的一个小时里，将是最重要的一个极值，这比追踪蜡烛的数值，或蜡烛的颜色，或人字形的方向，或更容易预测。

至少对我来说是这样，而且有一个合理的解释。

 
Maxim Dmitrievsky:

python测试器，liba - 有很多不同的测试器

至于其他方面--现在我用不同的参数进行比赛，热情消失了，和在森林里一样的过度装备

不难看出哪里有轨道，哪里有测试。也就是说，从本质上讲，什么都没有改变，catbust并没有给人带来优势。

我稍后将尝试lstm。


如果你认为是过度训练，那就早点停止生成树木，但从交易的数量来看，更可能是训练不足。

对于不同的精度和召回率样本，你会得到什么？

你是否有文件中的样本--尝试将训练动态与我的数据进行比较会很有趣，如果我有一个好的模型，我会把它发给你。


顺便说一下，我已经决定尝试从CatBoost 中取出树叶，我不知道我是否能在其中找到好的树叶，或者说提升的思想本身并不建议这样做，你怎么看？

 
mytarmailS:

我要告诉你的是，例如，在未来一小时内最重要的极值，比追踪蜡烛的价值，或蜡烛的颜色，或人字形的方向或更容易预测。

至少，对我来说是这样，而且有一个合理的解释。

"最重要的极值 "是什么意思--你以后如何检查它是否重要？

对这一切的合理解释是什么--相当有趣。

 
阿列克谢-维亚兹米 金。

如果你认为训练过度，那就早点停止生成树木，但从交易的数量来看，更有可能是训练不足......

不同样本的精确度和召回率的结果是什么？

你是否有文件中的样本--尝试将训练动态与我的数据进行比较会很有趣，如果我有一个好的模型，我会把它发给你。


顺便说一下，我已经决定尝试从CatBoost中拉出树叶--我不知道我是否能在其中找到好的树叶，或者说提升思想本身并不建议这样做，你怎么看？

在弱泛化的意义上，过度学习。我已经在上面写了如何绕过这个问题，但我相信还有更优雅的方法。

火车的质量没有问题+验证。

 

我看到每个人都在试图在老师的帮助下训练网络。

有没有人尝试过对一个目标函数进行训练，例如恢复因子？

 
Aleksey Vyazmikin:
，让树叶从CatBoost中出来--我不知道其中是否有好的标本，或者你认为提升的意识形态并不建议这样做？

不，它没有。

XGBoost 中的第一棵树是一个粗糙的模型。其余的人以微观系数修正第一个人。你不可能在那里得到任何单独的工作，他们只在整个人群中给出好的结果。
在catbust显然是相同的基本原则，有其自身的特殊性。
 
马克西姆-德米特里耶夫斯基。

至于其他方面--现在我用不同的参数进行比赛，热情也没有了，和森林一样的过度装备

很容易看到轨道在哪里，测试在哪里。也就是说，事实上，什么都没有改变，卡特布斯并没有给出优势。

显然，用MQL+Python+Catbust这套系统来复杂化是没有意义的。而我将用阿尔吉布林寻找规律性的东西。

如果有一个模式，那么就让森林按90%的比例来学习，而不是像catbust那样按99%来学习。最主要的是要找到它，然后追寻百分比。目前，两者都是50%左右。

 

似乎有了这些森林，每个人都进入了荒野。

而且没有帮助就不可能离开那里 ))))

 
elibrarius。

显然，用MQL + Python + Catbust使系统复杂化是没有意义的。并寻找与阿尔吉巴森林的规律性。

如果有关系，让森林在90%的时间里教你，而不是像卡特布斯那样99%。最主要的是要找到它，然后追寻百分比。目前，我们在这两种情况下都得到了约50%的收益。

如果你没有什么可以比较的，你就永远不会明白什么。

1...153815391540154115421543154415451546154715481549155015511552...3399
新评论