交易中的机器学习：理论、模型、实践和算法交易 - 页 1778 1...177117721773177417751776177717781779178017811782178317841785...3399 新评论 mytarmailS 2020.05.10 12:57 #17771 德米特里。 而预测的能力是由什么决定的？ 嗯，不是相关的... 也许通过滞后估计的交叉相关... 迪米特里。 通过愚蠢地把世界上所有的东西都塞进模型里？ 为什么不呢？在训练中，交叉验证会剔除不需要的东西，或者一些统计... 你怎么知道 "什么是什么"你怎么知道 "什么是什么"，直到你检查它？ mytarmailS 2020.05.10 12:59 #17772 阿列克谢-维亚兹米 金。 你仍然没有说如何在上面交易--所以我不知道要编造什么样的TS。 怎么会呢，这很明显））。ZZ上涨意味着买入，下跌意味着卖出。 你会预测ZZ的方向，不是吗？ Дмитрий 2020.05.10 13:00 #17773 mytarmailS: 不是靠相关的... 也许通过滞后估计的交叉相关... 为什么不呢？交叉验证将剔除你在培训中不需要的东西，或一些统计数据... 你怎么知道 "什么是什么"直到你测试它？ 好吧，我想详细谈谈冗余的问题，特别是与NS有关的问题，但我很懒。 顺便说一句，正是这个问题常常成为模型预测能力差的原因。 Aleksey Vyazmikin 2020.05.10 13:03 #17774 mytarmailS: 怎么会呢，这很明显））。ZZ上涨是买，下跌是卖。 你在预测ZZ的方向，是吗？ 这将变成一种抽搐，可能。 你是否尝试过用窗口对分类指标进行平均化/平滑化，以消除异常值？ mytarmailS 2020.05.10 13:17 #17775 阿列克谢-维亚兹米 金。 这将变成一个抽搐，可能。 你是否尝试过用窗口对分类指标进行平均化/平滑化，以消除异常值？ 在这种情况下，平均数等于滞后数。你需要提高分类的质量，平滑是不可能的。 按原样试一试吧! Dmitriy: 好吧，我想详细谈谈冗余的问题，特别是与NS有关的问题，但我很懒。 顺便说一下，这个问题往往是导致模型预测能力差的原因。 这就是为什么我认为在这个方向上，标志可以已经被AMO或工作规则所训练，那些标志应该是定性的、压缩的信息，我在前一页的小实验证明了这一点。 我仍然不明白如何预测相关关系（我不知道）。 Дмитрий 2020.05.10 13:47 #17776 mytarmailS: 而如何通过关联性来预测，我还是不明白( 预测再次.... 相关系数有助于提前确定最重要的预测因素--因变量和预测因素之间的相关度越高，该变量对模型的意义就越大。 因此，在你的例子中，有两条路可以走。第一个，你的是每次把一个预测器替换到模型中，看看预测的准确性提高了多少。那是一段很长的时间。 第二种，利用相关系数提前筛选出不重要的预测因子，使模型产生噪音。 简单地说，冗余问题就是你可以在模型中增加100+1个新的预测因子，但100个预测因子会使预测质量增加0,01%，而1个会增加10%。而且，用这100个新的预测因子使模型超载是没有意义的--过度拟合 Дмитрий 2020.05.10 13:48 #17777 mytarmailS: 顺便说一句，在大量的预测因子上，树是垃圾，随机森林 是规则。 mytarmailS 2020.05.10 14:07 #17778 德米特里。 预测再次.... 相关系数有助于提前确定最重要的预测因素--因变量和预测因素之间的相关度越高，该变量对模型的意义就越大。 因此，在你的例子中，有两条路可以走。第一个，你的是每次把一个预测器替换到模型中，看看预测的准确性提高了多少。那是一段很长的时间。 第二，使用相关系数提前筛选出不重要的预测因素，这些预测因素会给模型带来噪音。 好吧，相关性只是筛选出的选项之一，而且绝对不是最好的。你也可以使用协整、交叉相关、非线性相关等，效果会更好，但它们在层次上都低于简单的分类误差，这就是为什么我选择性状预测 误差 的标准。 迪米特里。 顺便说一句，在大量的预测因子上，树是垃圾，随机森林是规则。 我部分同意，但从广义上讲，森林是相同的规则，唯一的区别是复杂性。 在R中，有一个包可以将200棵树的森林压缩成一到三条规则，通过去除所有不必要的和多余的规则，分类质量的损失是0.5-2%，这是一个信息的压缩，我们应该努力提高可解释性。 Aleksey Vyazmikin 2020.05.10 15:41 #17779 mytarmailS: 在这种情况下，平均化等于滞后。你需要提高分类的质量，平滑是不可能的。 按原样试一试吧! 这不是一个选项。单位里有太多的干扰。 当然，你可以将激活阈值转移到0.65 - 买入，0.35 - 卖出。 mytarmailS 2020.05.10 16:12 #17780 阿列克谢-维亚兹米 金。 这不是一个选项。公寓里有太多的囤积物。 当然，你可以将激活阈值转移到0.65 - 买入，0.35 - 卖出。 给我看一个有交易的图表 1...177117721773177417751776177717781779178017811782178317841785...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
而预测的能力是由什么决定的？
嗯，不是相关的...
也许通过滞后估计的交叉相关...
通过愚蠢地把世界上所有的东西都塞进模型里？
为什么不呢？在训练中，交叉验证会剔除不需要的东西，或者一些统计...
你怎么知道 "什么是什么"你怎么知道 "什么是什么"，直到你检查它？
你仍然没有说如何在上面交易--所以我不知道要编造什么样的TS。
怎么会呢，这很明显））。ZZ上涨意味着买入，下跌意味着卖出。
你会预测ZZ的方向，不是吗？
不是靠相关的...
也许通过滞后估计的交叉相关...
为什么不呢？交叉验证将剔除你在培训中不需要的东西，或一些统计数据...
你怎么知道 "什么是什么"直到你测试它？
好吧，我想详细谈谈冗余的问题，特别是与NS有关的问题，但我很懒。
顺便说一句，正是这个问题常常成为模型预测能力差的原因。
怎么会呢，这很明显））。ZZ上涨是买，下跌是卖。
你在预测ZZ的方向，是吗？
这将变成一种抽搐，可能。
你是否尝试过用窗口对分类指标进行平均化/平滑化，以消除异常值？
这将变成一个抽搐，可能。
你是否尝试过用窗口对分类指标进行平均化/平滑化，以消除异常值？
在这种情况下，平均数等于滞后数。你需要提高分类的质量，平滑是不可能的。
按原样试一试吧!
好吧，我想详细谈谈冗余的问题，特别是与NS有关的问题，但我很懒。
顺便说一下，这个问题往往是导致模型预测能力差的原因。
这就是为什么我认为在这个方向上，标志可以已经被AMO或工作规则所训练，那些标志应该是定性的、压缩的信息，我在前一页的小实验证明了这一点。
我仍然不明白如何预测相关关系（我不知道）。
而如何通过关联性来预测，我还是不明白(
预测再次....
相关系数有助于提前确定最重要的预测因素--因变量和预测因素之间的相关度越高，该变量对模型的意义就越大。
因此，在你的例子中，有两条路可以走。第一个，你的是每次把一个预测器替换到模型中，看看预测的准确性提高了多少。那是一段很长的时间。
第二种，利用相关系数提前筛选出不重要的预测因子，使模型产生噪音。
简单地说，冗余问题就是你可以在模型中增加100+1个新的预测因子，但100个预测因子会使预测质量增加0,01%，而1个会增加10%。而且，用这100个新的预测因子使模型超载是没有意义的--过度拟合
顺便说一句，在大量的预测因子上，树是垃圾，随机森林 是规则。
预测再次....
相关系数有助于提前确定最重要的预测因素--因变量和预测因素之间的相关度越高，该变量对模型的意义就越大。
因此，在你的例子中，有两条路可以走。第一个，你的是每次把一个预测器替换到模型中，看看预测的准确性提高了多少。那是一段很长的时间。
第二，使用相关系数提前筛选出不重要的预测因素，这些预测因素会给模型带来噪音。
好吧，相关性只是筛选出的选项之一，而且绝对不是最好的。你也可以使用协整、交叉相关、非线性相关等，效果会更好，但它们在层次上都低于简单的分类误差，这就是为什么我选择性状预测 误差 的标准。
顺便说一句，在大量的预测因子上，树是垃圾，随机森林是规则。
我部分同意，但从广义上讲，森林是相同的规则，唯一的区别是复杂性。
在R中，有一个包可以将200棵树的森林压缩成一到三条规则，通过去除所有不必要的和多余的规则，分类质量的损失是0.5-2%，这是一个信息的压缩，我们应该努力提高可解释性。
在这种情况下，平均化等于滞后。你需要提高分类的质量，平滑是不可能的。
按原样试一试吧!
这不是一个选项。单位里有太多的干扰。
当然，你可以将激活阈值转移到0.65 - 买入，0.35 - 卖出。
这不是一个选项。公寓里有太多的囤积物。
当然，你可以将激活阈值转移到0.65 - 买入，0.35 - 卖出。
给我看一个有交易的图表