交易中的机器学习：理论、模型、实践和算法交易 - 页 2976

新评论
 
Forester #:

也许吧，但我没看到有什么鱼。 我根本不使用量化。我更喜欢探索浮动数据。

据我所知，"量化"（直方图）在 Bousting 中用于加快速度，从而减少拆分的变体。如果是这样，该解决方案的普遍性很好，但在特定情况下可能会很糟糕--可能会丢失真正的边界。

 
Aleksey Nikolayev #:

据我所知，"量化"（直方图）在分色中是用来加快速度的，这样分色的变体就少了。如果是这样的话，该解决方案的普遍性是好的，但在特定情况下可能是坏的--可能会丢失真正的边界。

是的，没错。它加快了速度，可以归功于正则化。但同时也失去了精确的分割。

 
Forester #:

也许吧，但我没看到有什么鱼。 我根本不使用量化。我更喜欢探索浮动数据。

很抱歉你不相信我。

我可以在你的样本上演示效果，比较一下学习曲线。

 
Forester #:

是的，没错。它加快了速度，可以归功于正则化。但同时也失去了精确的分割。

精确分割取决于历史。如果预测值分布的性质是已知的，量化就能准确地挑选出具有稳定行为特征的范围。对于交易而言，这一点非常重要。

 
Aleksey Vyazmikin #:

准确分割历史数据。如果知道预测值分布的性质，量化就能准确地挑选出具有稳定行为特征的范围。对于交易而言，这只是相关性而已。

树状学习可以解决搜索范围/分割的任务。至少有一些有意义的公式可以将各行 与目标值 区分开来。
在量化过程中，它只是一个计数器 + 跳过加倍。量化过程不需要对目标函数进行任何检查。
。

如果对目标函数进行训练的树不能给出稳定性（或给出的稳定性很弱），那么与目标函数无关的计数器又如何给出稳定性呢？只能是随机的，有时是随机的好线段，随着时间的推移，这些线段将不再是随机的。

 
Forester #:
在训练过程中，搜索范围/分割的任务由一棵树来解决。至少有一些有意义的公式可以将各行与目标行区分开来。在量化过程中，它只是一个计数器 + 跳过双倍。量化过程中不需要对目标函数进行任何检查。 。

如果对目标函数进行训练的树不能提供稳定性（或稳定性很弱），那么与目标函数无关的计数器又如何提供稳定性呢？只有随机的、有时是随机的好线段，随着时间的推移，这些线段将不再是随机的。

必须为每个预测器选择量表。假设击中了一个幸运的随机，这就是我想要识别的。随机与否。虽然不是 100% 可靠，但即使消除 30% 的随机性，也能提高训练模型的质量。

我正在开发我的分割估算功能（算法），它应该能减少树的缺点--贪婪。

当然，这很奇怪，我研究这个课题已经很多年了，我用不同的样本做了很多实验，我对这种方法的有效性进行了统计，我说这种方法是有效的，但我遇到了不信任。

 
Aleksey Vyazmikin #:

应为每个预测因子选择量子表。比方说，一个幸运的随机命中--这就是我想要检测的。随机与否。

如果目标不参与量子化点的选择，那么相对于目标而言，怎么可能不是随机的呢？只能是随机的。

 
Forester #:

如果目标不参与量化点的选择，那么就目标而言，怎么可能不是随机的呢？只能是随机的。

它是随机的，但模式不是随机的。也就是说，它将在未来持续存在。估算考虑的是同一个目标。

另一方面，没有人能够在考虑到目标的情况下更准确地立即将预测器分成量子段。
 
Aleksey Vyazmikin #:
另一方面，没有人能够在考虑到目标的情况下，一次性将预测器更准确地分割成量子段。

量子树的任务就是找到最佳分割点，从而最大限度地提高目标左右两部分的类纯度。

您想在量化过程中估计纯度吗？从根本上说，您想做的事情与树稍后要做的事情是一样的。关闭量化功能就能如愿以偿。树会根据目标选择最佳分割点。

 
Forester #:

树的任务是找到最佳分割点，从而最大限度地提高左右两个目标类别的纯度。

您想在量化过程中估计纯度？从根本上说，您想做的事情与树稍后要做的事情是一样的。关闭量化，你就能得到想要的结果。树会根据目标选择最佳分割点。

我已经厌倦了解释 "最佳 "往往不是最好的选择。

用陈述代替问题，就像我们在做宗教....

1...296929702971297229732974297529762977297829792980298129822983...3399
新评论