交易中的机器学习：理论、模型、实践和算法交易 - 页 1622

新评论
 
法尔哈特-古扎罗夫。

我有....我从测试器的回测中得出结论，你认为如果你的系统被正确训练，你得到的结果是什么？ 几乎90%的结果是正确的输入。之前同样的回测并没有得到这样的结果，由此我得出结论，在这种情况下的训练是正确的。

在这种情况下，请尝试同样的方法。

我不太明白这个意思。
我现在可以给你一个顾问，以换取建设性的批评和一个错误报告。请当面写信给我。
 
叶夫根尼-迪尤卡。
我不太明白这个意思。
我已经可以给你一个EA，以换取建设性的批评和错误报告。请在个人专区 给我留言。

我已经试图让它变得非常简单。你还没有一个系统，一旦你有一个系统，你就可以通过历史来运行它，并对它的准备（训练）程度得出结论。

 
法尔哈特-古扎罗夫。

我已经试图让它变得非常简单。你还没有一个系统，但只要你有，你就可以通过历史来运行它，并得出结论，说明它的准备（训练）程度。

我不能通过历史来运行它!每分钟的预报出来，需要12-17秒（最多22秒），一天有1400分钟。一天的回测需要几个小时...
 
叶夫根尼-迪尤卡。
在历史中运行是不真实的! 预报每分钟发出一次，需要12-17秒（最多22秒），一天有1400分钟。一天的回测需要几个小时...

嗯...你一般在故事的哪个部分训练神经网络（5/30分钟）？

 
阿列克谢-维亚兹米 金。

我去看了他们的帮助，但我不明白--这非常令人困惑。我以后会试着在视频中找到这一点，那里比较清楚。

但我看到CB增加了建树的新选项。

--增长政策

树木生长的政策。定义了如何进行贪婪树的构建。

可能的值。
  • SymmetricTree-逐级建立 树，直到达到指定的深度。在每一次迭代中，所有来自上一层树的叶子都以相同的条件被分割。由此产生的树状结构总是对称的。

  • 深度--树是逐级建立的，直到达到指定的深度。在每一次迭代中，来自上一层树的所有非终端叶子都被分割。每片叶子都是按条件分割的，损失改善得最好。

    请注意。 具有这种增长策略的模型不能使用PredictionDiff 特征的重要性进行分析，只能导出为json和cbm。

  • Lossguide- 一个树被逐叶建立，直到达到指定的最大叶数。在每个迭代中，具有最佳损失改进 的非终端叶被分割。
从一组随机拆分中获取最佳拆分，而不是从一组随机拆分中获取随机拆分（这将产生白噪声而不是训练过的模型）是有意义的。他们就是这样为3种方法中的2种写上"最佳损失改善"。
 
叶夫根尼-迪尤卡。
12-17秒（最长为22秒）

这需要学习吗？

 

红色箭头已经被认为是陈旧的，但这并不意味着它们的表现无效。一句话，到目前为止，如果你没有注意到，交易中没有一个负数。 那么谁是***？:-)


 
法尔哈特-古扎罗夫。

嗯...你到底要在故事的哪一部分训练神经网络（5/30分钟）？

不是这样的...
一个模型（一个神经网络）并不能给出正确的结果。它可以学到一些东西，但这是不够的。这就是为什么我做了20-25个具有不同输入的模型。现在我有25个模型同时发出信号，他们的意见在最后的预测中被考虑了一定的权重。一个模型的计算大约需要0.5-0.7秒，总计15-20秒+你还需要准备25个模型的输入日期，每一分钟都是大量的工作 ))如果我在Python中正确使用多线程，答案可以减少到1-3秒，但我还没有这样做。
我分别训练模型，在正常模式下，即从一年的历史时期收集数据集，然后照常训练。
 
Mihail Marchukajtes:

红色箭头已经被认为是陈旧的，但这并不意味着它们的表现无效。一句话，到目前为止，如果你没有注意到，交易中没有一个负数。那么谁是***？:-)


你有一个账户监督员吗？

 
叶夫根尼-迪尤卡。
不是这样的...
一个模型（neuronet）并没有给出正确的结果。它可能会学到一些东西，但这是不够的。这就是为什么我用不同的输入建立了20-25个模型。现在我有25个模型同时发出信号，他们的意见在最后的预测中被考虑了一定的权重。 一个模型的计算大约需要0.5-0.7秒，总计15-20秒+你还需要准备25个模型的输入日期，每一分钟都是大量的工作 ))如果我在Python中正确使用多线程，答案可以减少到1-3秒，但我还没有这样做。
我分别训练模型，在正常模式下，即从一年的历史时期收集数据集，然后照常训练。

多么严肃...现在你只需确保你能真正靠它进行交易。

1...161516161617161816191620162116221623162416251626162716281629...3399
新评论