交易中的机器学习：理论、模型、实践和算法交易 - 页 2585

新评论
 
Maxim Dmitrievsky#:
有意思，但不清楚该从哪里开始。损失应该是基于一些关于市场模式的概念，显然。好吧，例如，人们可以对波动性进行修正。

我认为开始时很简单--通过逻辑回归分类为两个类别（进入/退出），并有少量的属性。只是想看看为什么这个话题不是很受欢迎。

 
Maxim Dmitrievsky#:
自定义指标被用来选择模型，但学习仍然是通过标准指标（例如分类的logloss）。因为你的指标与特征/目标关系无关，而标准的指标则与之有关。而这里有点不清楚的是，接下来是通过夏普比率或R2来选择模型，还是在最大化它们时立即停止学习。你也许可以用两种方式来做。

一个完全的谬论，我有点为你感到尴尬......

Aleksey Nikolayev#:

不过，如果能尝试完全摒弃标准指标，用类似于metatrader优化中使用的指标来取代它们，那将是非常有趣的）我可能要到一个较低的层次，直接与优化包合作。

这是我半年多来一直告诉你的，最好是通过健身功能来训练AMO!

 
mytarmailS#:

完全的错觉，我有点为你感到尴尬......

你刚刚表达了日本人对整个世界社区的耻辱）有一大套自定义指标，但主要的学习是关于最小化logloss的。停止由定制的人做的学习。与定制的底座相匹配是很好的，没有必要大惊小怪。学习，学生
 
Maxim Dmitrievsky#:
你刚刚表达了日本人对整个世界社会的耻辱。 ) 有一大套自定义指标，但主要的训练是使logloss最小化。停止通过定制的学习确实如此。与定制的底座相匹配是很好的，没有必要大惊小怪。学习，学生。

我是一个终生的学生。

 
mytarmailS#:

学习，终生的学生

根据我的理解，Logloss显示了特征和目标之间的相互信息量。这是最客观的f-i，没有描述依赖的形式。模型的训练是为了最大限度地减少这种信息的损失，特别是提升的工作方式。你在自定义的基础上添加的东西将在训练中停止。
 
Maxim Dmitrievsky#:
Logloss显示了特征和目标之间的相互信息量，就我的理解而言。这是最客观的f值，没有描述依赖性的类型。模型的训练是为了最大限度地减少这种信息的损失，特别是提升的工作方式。

例如...

有一个 特征数据帧"X"

有一个模型 "M"

有5个时间序列 "tc5"。


任务是。

模型 "M "将 "X "作为输入（一切如常）。

和 "M "输出的两个向量应该是

1）最大限度地保持稳定

2）尽可能不与所有 "Мc5 "向量相关联


你没有一个通常形式的目标设定，你有对模型输出的要求...

我们不是在预测价格、ZZ、回报等，那完全是另一首歌。


你将如何用你的助推器来解决这个问题？

 
mytarmailS#:

例如...

有一个 特征数据帧"X"

有一个模式 "M"

有5个时间序列 "tc5"


任务是。

模型 "M "将 "X "作为输入（一切如常）。

和 "M "输出的两个向量应该是

1）最大限度地保持稳定

2）尽可能不与所有 "Мc5 "向量相关联


你没有一个通常形式的目标设定，你有对模型输出的要求...

我们不是在预测价格、ZZ、回报和PR，那完全是另一首歌。


你将如何用你的助推器来解决这样的事情？

通过重写目标，任务被逆转了
 
Maxim Dmitrievsky#:
通过列举目标，任务是相反的
1）训练数百万次的模型，看看会发生什么？
2) 你从哪里获得列举的目标？
3) 如果助推器开箱即有一个输出，我们如何从模型中获得两个（或22个）输出？
 
mytarmailS#:
1）你把这个模型教了几百万次，看看会发生什么？
2）你从哪里得到重建的目标输出？
3) 如果助推器开箱就有一个输出，我怎么能从模型中获得两个（或22个）输出？
是的，好的目标是从天花板上取，或者是F-U。据我从描述中了解，你是在倒着做训练。与经典相比，它有什么优势，这是我想找到答案的问题。
 
马克西姆-德米特里耶夫斯基#:
是的，好的，目标从天花板上取下，或F-U。据我从描述中了解，你是在倒着做训练。与经典的相比，它有什么优势，这个问题需要回答

))))

我不干了)

1...257825792580258125822583258425852586258725882589259025912592...3399
新评论