Машинное обучение. Как обсуждалось в этой статье , машинное обучение — это не что иное, как область обучения, которая позволяет компьютерам «учиться», как люди, без необходимости явного программирования. Что такое прогнозирующее моделирование: прогнозирующее моделирование — это вероятностный процесс, который позволяет нам прогнозировать...
怎么说呢？我对通过网格进行搜索有同样的想法，所以我对已经实现的方法感兴趣。
有时，作为一个拐杖，它可以把一个策略拉到接近负的数学期望值。
我是关于度量衡的，有时评价一个模型不是靠利润，而是靠正确的类预测的动态。本质上是相同的平衡，但变化是固定的。问题是，策略不仅会受到分类准确性的影响，也会受到市场波动的影响，我们需要研究分类准确性的动态，而不需要货币表达。
我只是收集了我所有的目标，属性。设计变量是属性参数、目标。我组成了一个由2个指标+一个目标指标组成的三重奏，并用卡特布斯特训练它。我使用测试样本的最大学习准确性来选择它们。 我根据目标之一提供足够交易信号的可能性来过滤所选择的三重奏。
结果，我发现了5个三联征象+目标一。但正如我已经表明的那样，对一个目标给出良好的交易信号来说，93%的预测准确率是不够的。 顺便说一下，我试着用发现的三重奏、不同配置的全连接神经网络、随机森林的数据集进行训练，在测试样本上得到+-相同的训练准确率和相同的测试结果。
好主意，谢谢，我会努力完成它。
我交易的是分钟，一个快速的市场，所以我知道在一秒钟内，价格可以超过我的数学预期。
我不知道你怎么能用分钟来交易...那里有很多噪音，增加平均窗口以抹去噪音，可以得到更接近于高时间框架的图片。
你能不能给我们一个提示，在1分钟的时间框架上交易的意义是什么？也许我不明白什么？
总而言之，一切都是徒劳的，有了MO，市场就不会被愚弄。
找到了特质和目标，其类别分布见第一个图。
使用该数据集训练的测试和训练katbust模型的准确率为93%。
第二张图是目标交易的余额和权益图。
第三张图显示了根据训练有素的katbusta模型的信号进行交易的平衡和权益图。
所以，女士们、先生们，散开吧。
你所做的工作与我非常接近。
你能不能做到以下几点。
顺便说一下，梯度提升 由于某些原因表现得很不稳定。最有可能的是重新训练，因为试图以牺牲提升为代价来获得完美。
只是收集了我所有的目标，目标属性。设计变量是性状参数、目标。我把2个属性+1个目标属性组成了一个三人组，用猫咪的声音训练它们。我使用测试样本的最大学习准确性来选择它们。 我根据目标之一提供足够交易信号的可能性来过滤所选择的三重奏。
结果，我发现了5个三联征象+目标一。但是，正如我已经表明的那样，对于一个提供良好交易信号的目标来说，93%的预测准确率是不够的。 顺便说一下，我试图通过发现的三重奏、随机森林来训练不同配置的全链路神经网络，在一个测试样本上得到+-相同的训练准确率和相同的测试结果。
你确定在同一个样本中训练不同的目标是正确的吗？毕竟，信号必须具有可比性，例如，趋势反转和从平坦的位置进入趋势，对预测者来说，建议采用不同的指标集。
有关于catbust的问题。
- 你只用两个样本，难道你一次都不用检查的吗？
- 模型中共有多少棵树？
- 你是否使用停止法从测试样本中学习？
- 什么是学习率？
- 1类是负责输入方向，还是负责已经设定了方向的信号？
好主意，谢谢，我会努力敲定它。
不客气 :)按概率分布看利润和准确率也很有用。
我无法想象一个人如何能在几分钟内工作......增加平均窗口以平滑噪音，可以得到一个接近于更高时间框架的图片。
你能不能给我们一个提示，在1分钟的时间框架上交易的意义是什么？也许我不明白什么？
我从事Si交易--那里的一切都很有技术含量，而且有更多信号需要学习。
基本上，我使用来自多个TF的信息，在预测器中使用大量的水平线，而分钟只是让我对影响价格的事件做出更快的反应，在我心中。
顺便说一下，梯度提升 由于某些原因表现得很不稳定。最有可能的是，它过度训练是因为试图以牺牲提升为代价来获得理想。
这里只是做了一个关于这个主题的实验，到目前为止只有一个样本，但重点是提高学习率对结果有积极的影响，因为有更多的概括性，当所有的问题都没有正确答案，而且样本没有代表性时，这比对每个例子的历史进行拟合更有效。
本质上，我使用了来自多个TF的信息，在预测器中有很多水平层次。
你如何使用水平仪？从当前价格到最近的一百、五百、一千的距离？
你如何使用水平仪？从价格到最近的一百、五百、一千的距离？
我尽量不使用点数--我使用百分比。如果我有一个当天的网格（比如ATR），我把预测器和当前条形图的开盘价放在里面，这样我就知道价格相对于水平线的位置，最好是标记水平线交叉的事件，这是多久以前的事......
他们都在重新训练，在输入上几乎是随机的。
协方差和相关性 仍然存在......(似乎是随机的）。
我们可能不知道 在实践中要坚持多少基本成分 ，一些拇指规则适用。
毕竟，这只是
什么是预测性建模： 预测性建模是一个概率过程，它允许我们根据某些预测因素来预测结果。这些预测因子基本上是在决定最终结果，即模型的结果时发挥作用的功能。
我们选择什么样的预测器和标签，使用什么样的算法，这是一个个人品味的问题。- 如果我们最初考虑的系统比最终的公牛/熊/Hold-on 更宽......。
这也是为什么在描述模拟的可能性 时，由
Maxim Dmitrievsky
始终是物有所值的!
1.首先确定搜索区域：根据经验或在假设的基础上，进行统计测试。然后选择一种MO算法。
选择2。
2.通过任何分类器的搜索策略，分析其内部结构（特征的重要性，shap值和不同的度量）。
- 只有 "在希望中"..."通过一些多项式"...+拾取有用的数据转换（不管是什么MO）确实是一门艺术！...在分析任何数据时，它们不可能是相同的（就像这里的一些 "暮光之城"）--至少在线性和二次编程中，两个函数是不同的，结果也是不同的，它们的解释也是不同的。