交易中的机器学习：理论、模型、实践和算法交易 - 页 2589 1...258225832584258525862587258825892590259125922593259425952596...3399 新评论 Aleksey Nikolayev 2022.03.06 05:50 #25881 mytarmailS# : https://stats.stackexchange.com/questions/31513/new-revolutionary-way-of-data-mining 这个问题中提出了非常有趣的想法... 顺便说一句，受访者仍然不理解问题的本质 当选择一个模型时，我建议不是通过OOS上的利润来优化，而是通过这个利润与托盘上的利润之比来优化。或者把这种比例小的模型扔掉，从其余的模型中获取最大的OOS利润。这是指如果你按字面意思理解引文，不加推测。 mytarmailS 2022.03.06 08:20 #25882 Aleksey Nikolayev#: 在选择模式时，建议不要通过OOS上的利润来优化，而是通过这种利润与托盘上的利润之比来优化。或者扔掉这些比率小的模型，从剩下的模型中获取最大的OOS利润。这是指如果你按字面意思理解引文，不加推测。 阿列克谢，能不能给我一段关于利润、最大利润的引述，抛出模型....。到目前为止，听起来你把它说成是------。字面意思，没有推测。 Replikant_mih 2022.03.06 09:38 #25883 Aleksey Nikolayev#: 在选择模式时，建议不要通过OOS上的利润来优化，而是通过这种利润与托盘上的利润之比来优化。或者扔掉这些比率小的模型，在OOS的利润方面采取其余模型的最大值。这是指如果你按字面意思理解引文，不加推测。 在我上面的例子中，有硬币和10000人。让正面为1，反面为0。如果我们按照给定的算法行事，我们也会一无所获。在所描述的背景下，这是很容易理解的。换句话说，如果我们遇到了一些优势，那么我们是否在IS和OOS或其他方面获取利润比例就不那么重要了，如果没有优势，那么这种方法就不会有任何作用。 正是如此!我们需要首先评估边缘的存在。然后，我们应该思考如何选择。例如，以下列方式：我们看IS的模型份额按某种指标高于某个阈值。例如，胜率高于55%-45%的模型。按胜率排名，并采取一些TOP。我们是否在OOS的这个顶部检查结果？在选定的模型中，胜率高于55%的模型给出同样的45%（给出这种胜率的模型与所有选定模型的比率）？- 我认为这组模型可以被安全地抛出。如果我们可以看到，这样的顶级模型的选择是有效的，这意味着有一个优势，通过这种效果有多强，我们可以评估模式的质量。它被决定为足够强大。所有进一步的选择都是一个技术问题--即使按同样的胜率、PF，你也不必费心去研究复杂的指标和逻辑，而按胜率和PF直接在IS上进行。 Aleksey Nikolayev 2022.03.06 10:13 #25884 mytarmailS#: 阿列克谢，能不能给我一段话，其中说到利润，最大利润，扔掉模型....。 因为到目前为止，这听起来像一个激烈的诽谤，而你宣布像------。 从字面上看，没有推测 。 我有一个免费的翻译）重点是，最初要训练许多模型，最后要选择一个工作模型（模型评估）。同志称，大家通常会选择只是在OOS上给出最大结果的模型，而这是错误的做法。他的第二句话说明了应该如何做。如果样本外模型的平均值是样本内得分的一个重要百分比，你就知道你做得很好。这被翻译为最大限度地提高OOS的利润与轨道上的利润之比。一般来说，如果样本外的结果超过了样本内的50%，你就真的有了收获。这可以转化为放弃那些OOS的利润与traine的利润之比小于0.5的模型。 [删除] 2022.03.06 14:34 #25885 嗯，这是一个模型选择的问题，是的，就像优化一样。你可以想出你自己的主观标准。 如果有一堆参数稍有不同的模型，即允许有变化，但它们都通过了OOS，这并不坏。但它当然不是万能药。 mytarmailS 2022.03.06 15:09 #25886 Aleksey Nikolayev#: 阿列克谢，有什么技术可以恢复优化面吗？你运行搜索参数的算法，它发现了一些东西，你用算法的数据来恢复优化面......我们谈论的是启发式算法，而不是一个完整的搜索自然...我在网上搜索了一下，但没有结果。 Replikant_mih 2022.03.06 15:25 #25887 mytarmailS#: Alexey，有没有什么技术可以恢复优化面？ 你运行一个参数搜索算法，它发现了一些东西，然后你用搜索算法的数据来重建优化面...... 我们谈论的是启发式算法，而不是一个完整的搜索自然... 我在网上搜索了一下，但没有结果。 补充缺失的输入的模型质量指标，约定俗成的是超参数值的集合？好的提升是简单的教学。那需要什么呢？ mytarmailS 2022.03.06 15:46 #25888 Replikant_mih#: 补充缺失的传入、条件、超参数值集的模型质量度量？好一个简单的训练助推器。那需要什么呢？ 也许一个简单的插值可以做到，我们会看到，我想先看看是否有现成的。为什么？我很确定，如果我看到模型的OP，我可以预测模型是否能在新的数据上发挥作用 Aleksey Nikolayev 2022.03.06 16:48 #25889 mytarmailS#: Alexey，有没有什么技术可以重构优化面？ 你运行一个参数搜索算法，它发现了一些东西，然后你用搜索算法的数据来重建优化面...... 我们谈论的是启发式算法，而不是一个完整的搜索自然... 我在网上搜索了一下，但没有结果。 在模型参数空间中？这是一个巨大的层面。这只适用于有少量预测因子的非常简单的模型。 如何在一个巨大维度的空间中建立一个曲面，这一点并不十分清楚。与这种维度相比，我们的点数简直少得可怜。除非通过一些降维的可视化，如PCA等，但这一点并不清楚。 Aleksey Nikolayev 2022.03.06 16:52 #25890 Maxim Dmitrievsky#: 嗯，这是一个模型选择的问题，是的，就像优化一样。你可以想出你自己的主观标准。如果有一堆参数稍有不同的模型，即允许有变化，但它们都通过了OOS，这并不坏。但这当然不是万能的。 早些时候，你有一个关于结合标准和自定义指标的想法，我的理解是：用标准指标训练模型，用自定义指标选择模型。 1...258225832584258525862587258825892590259125922593259425952596...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
https://stats.stackexchange.com/questions/31513/new-revolutionary-way-of-data-mining
当选择一个模型时，我建议不是通过OOS上的利润来优化，而是通过这个利润与托盘上的利润之比来优化。或者把这种比例小的模型扔掉，从其余的模型中获取最大的OOS利润。这是指如果你按字面意思理解引文，不加推测。
在选择模式时，建议不要通过OOS上的利润来优化，而是通过这种利润与托盘上的利润之比来优化。或者扔掉这些比率小的模型，从剩下的模型中获取最大的OOS利润。这是指如果你按字面意思理解引文，不加推测。
在选择模式时，建议不要通过OOS上的利润来优化，而是通过这种利润与托盘上的利润之比来优化。或者扔掉这些比率小的模型，在OOS的利润方面采取其余模型的最大值。这是指如果你按字面意思理解引文，不加推测。
在我上面的例子中，有硬币和10000人。让正面为1，反面为0。如果我们按照给定的算法行事，我们也会一无所获。在所描述的背景下，这是很容易理解的。换句话说，如果我们遇到了一些优势，那么我们是否在IS和OOS或其他方面获取利润比例就不那么重要了，如果没有优势，那么这种方法就不会有任何作用。
正是如此!我们需要首先评估边缘的存在。然后，我们应该思考如何选择。例如，以下列方式：我们看IS的模型份额按某种指标高于某个阈值。例如，胜率高于55%-45%的模型。按胜率排名，并采取一些TOP。我们是否在OOS的这个顶部检查结果？在选定的模型中，胜率高于55%的模型给出同样的45%（给出这种胜率的模型与所有选定模型的比率）？- 我认为这组模型可以被安全地抛出。如果我们可以看到，这样的顶级模型的选择是有效的，这意味着有一个优势，通过这种效果有多强，我们可以评估模式的质量。它被决定为足够强大。所有进一步的选择都是一个技术问题--即使按同样的胜率、PF，你也不必费心去研究复杂的指标和逻辑，而按胜率和PF直接在IS上进行。
阿列克谢，能不能给我一段话，其中说到利润，最大利润，扔掉模型....。
。
我有一个免费的翻译）重点是，最初要训练许多模型，最后要选择一个工作模型（模型评估）。同志称，大家通常会选择只是在OOS上给出最大结果的模型，而这是错误的做法。他的第二句话说明了应该如何做。
如果样本外模型的平均值是样本内得分的一个重要百分比，你就知道你做得很好。这被翻译为最大限度地提高OOS的利润与轨道上的利润之比。
一般来说，如果样本外的结果超过了样本内的50%，你就真的有了收获。这可以转化为放弃那些OOS的利润与traine的利润之比小于0.5的模型。嗯，这是一个模型选择的问题，是的，就像优化一样。你可以想出你自己的主观标准。
如果有一堆参数稍有不同的模型，即允许有变化，但它们都通过了OOS，这并不坏。但它当然不是万能药。
Alexey，有没有什么技术可以恢复优化面？
补充缺失的输入的模型质量指标，约定俗成的是超参数值的集合？好的提升是简单的教学。那需要什么呢？
补充缺失的传入、条件、超参数值集的模型质量度量？好一个简单的训练助推器。那需要什么呢？
Alexey，有没有什么技术可以重构优化面？
在模型参数空间中？这是一个巨大的层面。这只适用于有少量预测因子的非常简单的模型。
如何在一个巨大维度的空间中建立一个曲面，这一点并不十分清楚。与这种维度相比，我们的点数简直少得可怜。除非通过一些降维的可视化，如PCA等，但这一点并不清楚。
嗯，这是一个模型选择的问题，是的，就像优化一样。你可以想出你自己的主观标准。
如果有一堆参数稍有不同的模型，即允许有变化，但它们都通过了OOS，这并不坏。但这当然不是万能的。
早些时候，你有一个关于结合标准和自定义指标的想法，我的理解是：用标准指标训练模型，用自定义指标选择模型。