交易中的机器学习：理论、模型、实践和算法交易 - 页 2605

[mytarmailS]

Maxim Dmitrievsky#:

据传闻，手鼓舞已经不再流行了

有传言说，如果你无话可说，你最好什么都不要说。

[Доктор]

Aleksey Nikolayev#:

即使你是对的，这也是前提的问题，而不是结构的问题。但我想你的策略有一个陷阱。例如，利润不比存款利息高多少，或者其波动性太高。否则，人们会希望找到并将许多这样的策略组合成一个更有容量的组合。

盈利比例是三位数，波动性很小。但它是不可扩展的，只有通过增加工具（市场）的数量才能组合出投资组合。该策略 不是我的）。

[Aleksey Nikolayev]

医生#:

盈利比例是三位数，波动性很小。但它没有规模，只能通过增加工具（市场）的数量来建立投资组合。该策略 不是我的））。

我无条件地相信那里写的一切。我唯一遗憾的是，过去两年没有任何结果)

[Доктор]

Aleksey Nikolayev#:

我无条件地相信那里写的一切。我唯一遗憾的是，过去两年没有任何结果)

作者在狭窄的圈子里广为人知。当被问及 "是否会有20XX年的结果 "时，他通常回答说没有必要写，因为每年的结果都是一样的。最后一次进入该资源是在2021年3月29日

[Renat Akhtyamov]

医生#:

作者在狭窄的圈子里广为人知。当被问及 "20XX年是否会有什么结果 "时，他通常回答说没有必要写，因为每年的结果都是一样的。该资源的最后一条记录是2021年3月29日。

leaked....

[Renat Akhtyamov]

Aleksey Nikolayev#:

1）我认为很明显，没有也不可能有办法证明历史上建立的模式在未来一定会起作用。

2）存在一种方法，根据过去的数据为未来建立一个确定的（非随机的）模式，将是对（1）的否定。

我们只有交叉验证，它只能确定一个模式在历史上的同质性。我们只能对模式进行内插，而不能推断。我们只有一个非常弱的假设，即一个良好的插值模式将变成良好的推断。这不是演绎推理，而只是归纳推理--类比推理的一个变种。

如果系统被写入，而不是被哲学化，规律性的东西就会出现。

我再一次告诉你

以不沉沦、不赚钱的心态写系统。

---

为了不至于不被证实，你将理解/检测/看到Kotier对系统的某些行为的反应

通常这些是。

- GEP

- 黑天鹅

- 趋势

- 平坦的

- 发夹和长尾巴

所有这些规律性的东西都与理论家普遍接受的原因没有任何联系

你所需要的理论，并知道足够建立一个交易系统，在这里

[Aleksey Nikolayev]

医生#:

作者在狭窄的圈子里广为人知。当被问及 "20XX年是否会有什么结果 "时，他通常回答说没有必要写，因为每年的结果都是一样的。该资源的最后一条记录是2021年3月29日。

不要误会我的意思 -- 不是说我质疑这个特定的人写的东西或你给他的建议。只是这个论坛和其他许多论坛一样，充满了类似于 "我们有这种设备，但我们不会告诉你的！"的声明。这里上面是一个很好的例子）如果我们相信一个案例，有什么理由拒绝相信其他类似的案例呢？但要在这个非常不稳定的基础上建立任何有意义的东西是完全不可能的。因此，我更愿意把它建立在较弱的、但实质性的、至少在某种程度上可以核实的论断 上。

[mytarmailS]

Aleksey Nikolayev#:

我无条件地相信那里写的一切。我唯一遗憾的是，过去两年没有任何结果)

Aleksey Nikolayev #:: Aleksey Nikolayev #: Aleksey Nikolayev #: 5 c ±.

阿列克谢，你是做一般的交易还是做搜索的？

[Aleksey Nikolayev]

mytarmailS#:
Ahahah 5s ±

阿列克谢，你到底是在交易还是在找人？

我正在努力做到这两点，但到目前为止，我越来越明显地偏向于理论。

[Maxim Dmitrievsky]

有一个这样的问题。

使用了两个模型。一个预测买或卖，另一个预测交易或不交易。

首先，第一个模型被训练出来，然后我们看看它在哪里预测得不好，把这些例子标记为 "不要交易"，其他好的例子标记为 "交易"，然后我们训练第二个模型。

第一个模型不仅在训练区进行测试，也在附加区进行测试，第二个模型在两个区域都进行了训练。

我们重复几次，在同一个数据集上重新训练两个模型。结果在样品上逐渐改善。但并不总是在对照样本上。

与此同时，我们还保留了一份所有通行证的不良交易累积日志，所有 "不交易 "的 "不良 "交易都被收集在其中，用于训练第二个模型，并根据一定的原则进行过滤，如所有通行证的不良交易副本越多，将其标记为 "不交易 "的机会就越大。

to_mark = BAD_SAMPLES_BOOK.value_counts()
mean = to_mark.mean()
marked_idx = to_mark[to_mark > mean*bad_samples_fraction].index
pr2.loc[pr2.index.isin(marked_idx), 'meta_labels'] = 0.0

例如，对于每个日期的所有迭代训练，都会积累一些不良交易的数量，如果这个数量超过了一个阈值（平均值，平均数），这些交易就会被标记为 "不交易"。其余的交易被跳过，否则，如果有大量的训练迭代，就有可能排除所有的交易。

bad_samples_fraction

系数允许你调整输出端的交易数量，它越低，越多的交易被过滤掉。

...在这一点上，我已经厌倦了写...

如何改进这样的模型组合，使其在新的独立地块上改善其结果？
是否有任何哲学思想来解释为什么这可能有效？除了在每一轮的再训练中，模型自然会相互改进（误差下降），但如何摆脱拟合？

插图。该图被分成3个部分。最后一个是训练第一个模型，倒数第二个和最后一个是第二个，前三个是考试样本。自然，最后一节将是最好的，前三分之一是最差的。

这里有15次迭代，重新训练两个模型，使用不良交易日志。

Iteration: 0, R^2: 0.025863859193577587
Iteration: 1, R^2: 0.20881945768090338
Iteration: 2, R^2: 0.38691567117849557
Iteration: 3, R^2: 0.8538667616323108
Iteration: 4, R^2: 0.6289257079331403
Iteration: 5, R^2: 0.49590724745042913
Iteration: 6, R^2: 0.6899198178561211
Iteration: 7, R^2: 0.7914478307518835
Iteration: 8, R^2: 0.6271633947453318
Iteration: 9, R^2: 0.5022724259087565
Iteration: 10, R^2: 0.8568310685006555
Iteration: 11, R^2: 0.042448644454852524
Iteration: 12, R^2: -0.17980715185584073
Iteration: 13, R^2: 0.8294648122002825
Iteration: 14, R^2: 0.7615234602466088