交易中的机器学习:理论、模型、实践和算法交易 - 页 3039 1...303230333034303530363037303830393040304130423043304430453046...3399 新评论 Andrey Dik 2023.04.17 08:01 #30381 СанСаныч Фоменко #:根据定义,没有任何问题可以通过 FF 来解决。要么有那么多需要改进的地方,要么就没有。你无法改进垃圾,无论你如何挖掘垃圾,垃圾依然是垃圾。 因此,对目标和预测因素之间关系的初步 考虑是初步的 。此外,还需要对这种关系进行定量评估,而且不仅仅是对关系的评估,还要对预测因素预测目标变量(教师)未来值的能力进行定量评估。在这一推理链中,没有任何 FF 的余地,因此,我们可以直截了当地选取一种 MO 算法(有数百种之多),并将其作为黑箱使用,而不必试图 "改进 "具体算法中的任何内容。此外,FF 类是一种充满争议的东西--过度适应历史的味道太浓了。 我知道您不会通过我的帖子。此外,我还知道您会说话。不幸的是,您没有意识到用粗体红色标出的内容是 FF....。我不明白你为什么对 FF 如此过敏。 顺便说一句,你可以从垃圾中制造出很多有用的东西--这就是所谓的循环利用。 我还要再说一句--"垃圾 "的存在只是让你在市场上仍能获得稳定的利润,甚至在这个论坛上也有这样的例子。 Andrey Dik 2023.04.17 08:11 #30382 Mikhail Mishanin #:非常正确和有说服力的推理,当然是自相矛盾的--"......不是在建设可持续 的 技术 合作",只是在建设/选择/发展可持续盈利的技术合作的技术和努力。 这就好比你去商店买衣服,但你对自己想要什么、什么款式、什么季节的衣服没有稳定的想法,结果衣服穿不了,钱也白花了。 Forester 2023.04.17 08:13 #30383 СанСаныч Фоменко #:你有一栏叫做分类错误,现在分类已经无关紧要了。 如果不在屏幕上打印分类错误,你怎么知道它无关紧要?打印任何有趣的东西。 打印并显示 9% 也可能是随机的,而 10% 已经合并了。这很有趣。给你一张 20% 的图。 你的图,据我所知,我们不会看到。 СанСаныч Фоменко 2023.04.17 08:17 #30384 Andrey Dik #:我知道你不会通过我的留言。事实上,我知道你会说话。不幸的是,你没有意识到用粗体红色标出的是 FF.....。我不明白你为什么对 FF 如此过敏。顺便说一句,你可以从垃圾中制造出很多有用的东西--这就是所谓的循环利用。 我还要再说一句--"垃圾 "的存在只是让你在市场上仍能获得稳定的利润,甚至在这个论坛上也有这样的例子。 你在前面的帖子中写道 "问题是,迄今为止还没有人设法为 FF 找到这样的规则(至少我没有看到过)"。 对于现成的 MO 模型来说,这项任务确实非常困难,也是不可能完成的:将 MO 模型作为一个黑盒子,以平衡为目标,在预测因子的预测能力中寻找某些东西。 这是一项难度极大的任务。 而且没有必要。 我们要一步一步地解决这个问题,这也是我的实际做法:我先解决估计预测因子预测能力的问题,然后将模型作为一个黑盒子进行拟合,再根据拟合结果开展工作。从今天开始,在 EA 测试层面上,我发现我的老师有点奇怪。我需要在教师(目标变量)上下功夫。 但是,我的方案的主要内容是,将一个已经非常复杂的问题(由于试图构建 FF 而变得更加复杂)分解成独立的阶段,使问题变得可观察。 СанСаныч Фоменко 2023.04.17 08:26 #30385 Forester #:如果不把分类错误打印在屏幕上,你怎么知道它无关紧要呢?打印出任何有趣的东西。 打印出来,显示出即使是 9% 也可能是随机的,而 10% 已经是一种流失了。这很有趣。这里有一个 20% 的例子。你的图,据我所知,我们不会看到。 你写的一切对我来说都没有意义。 10%的分类误差(如何计算的?要反驳过度训练,你需要训练集和 "样本外 "的分类误差--它们应该大致相等。 我有一个运行良好的智能交易系统,其分类误差略低于 20%。同时,测试仪中的亏损交易比例略高于 20%。 我希望看到一致的分类数据,这将证明不存在过度训练,并了解如何从分类中获得平衡。 Andrey Dik 2023.04.17 08:32 #30386 СанСаныч Фоменко #:今天早些时候,你写道"问题是,还没有人设法为 FF 找到这样的规则(至少我没有看到过)"。对于现成的 IO 模型来说,这项任务确实很困难,也不可行:将 IO 模型作为一个黑盒子,以平衡为目标,在预测因子的预测能力中寻找某些东西。这项任务难上加难。而且没有必要。我们要一步一步地解决这个问题,这就是我的实际做法:我先解决估算预测因子预测能力 的问题,然后把模型 当作黑盒子进行拟合, 最后再处理拟合结果。从今天开始,在 EA 测试层面上,我发现我的老师有点奇怪。我需要在老师(目标变量)上下功夫。但这一计划的主要意义在于,一个已经非常复杂的问题,由于试图构建一个 FF 而变得更加复杂,被分解成了独立的阶段,问题变得可以观察。 即在任何阶段,无论我们在哪里做任何事情,都有一个 FF 作为我们想要得到的结果的评价性描述。您将一般的积分评价分解成了小的微分评价,但本质并没有改变,您在工作中仍然使用 FF。 Andrey Dik 2023.04.17 08:38 #30387 如果你买了一件糟糕的夹克,该怪谁呢?- 制造商?- 卖家?- 还是羊?- 你可以去研究构成夹克的原子,但它不会变得更好,你也不会明白夹克为什么这么差劲。你在购买夹克时的评估标准--FF--就是罪魁祸首。 如果没有一件夹克符合 FF 标准,那么要么这样的夹克根本不存在,您就没必要买;要么您就需要改变 FF 标准。) СанСаныч Фоменко 2023.04.17 09:32 #30388 Andrey Dik #:如果你买了一件糟糕的夹克,该怪谁呢?- 制造商?- 卖家?- 还是羊?- 你可以去找组成夹克的原子,但它不会变得更好,你也不会明白夹克为什么这么烂。你在购买夹克时的评估标准就是罪魁祸首--FF。如果没有适合 FF 的夹克,那么要么这样的夹克根本不存在,您就没必要买,要么您就需要改变 FF))) 您可以制作一件夹克:根据手臂的不同长度调整袖子,准确地贴合驼峰,并在前面漂亮地打上一坨神经。这样就有一件夹克了。这就是我们方法的不同之处。裁缝万岁 Andrey Dik 2023.04.17 09:39 #30389 СанСаныч Фоменко #:或者你也可以做一件夹克:根据手臂的不同长度调整袖子,精确地贴合驼峰,漂亮地渲染前面的一坨神经。这样你就有了一件夹克。这就是我们方法的不同之处。裁缝万岁 如果一个人不知道自己需要什么,裁缝也帮不上忙。 橡胶做的夹克会非常合身,但会让你的肚子出汗,这都是因为顾客不知道自己想要什么。 Forester 2023.04.17 10:02 #30390 СанСаныч Фоменко #:分类误差(如何计算?) 是否有任何选项?)))) 1...303230333034303530363037303830393040304130423043304430453046...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
根据定义,没有任何问题可以通过 FF 来解决。要么有那么多需要改进的地方,要么就没有。你无法改进垃圾,无论你如何挖掘垃圾,垃圾依然是垃圾。
因此,对目标和预测因素之间关系的初步 考虑是初步的 。此外,还需要对这种关系进行定量评估,而且不仅仅是对关系的评估,还要对预测因素预测目标变量(教师)未来值的能力进行定量评估。在这一推理链中,没有任何 FF 的余地,因此,我们可以直截了当地选取一种 MO 算法(有数百种之多),并将其作为黑箱使用,而不必试图 "改进 "具体算法中的任何内容。
此外,FF 类是一种充满争议的东西--过度适应历史的味道太浓了。
我知道您不会通过我的帖子。此外,我还知道您会说话。不幸的是,您没有意识到用粗体红色标出的内容是 FF....。我不明白你为什么对 FF 如此过敏。
顺便说一句,你可以从垃圾中制造出很多有用的东西--这就是所谓的循环利用。 我还要再说一句--"垃圾 "的存在只是让你在市场上仍能获得稳定的利润,甚至在这个论坛上也有这样的例子。
非常正确和有说服力的推理,当然是自相矛盾的--"......不是在建设可持续 的 技术 合作",只是在建设/选择/发展可持续盈利的技术合作的技术和努力。
这就好比你去商店买衣服,但你对自己想要什么、什么款式、什么季节的衣服没有稳定的想法,结果衣服穿不了,钱也白花了。
你有一栏叫做分类错误,现在分类已经无关紧要了。
如果不在屏幕上打印分类错误,你怎么知道它无关紧要?打印任何有趣的东西。
打印并显示 9% 也可能是随机的,而 10% 已经合并了。这很有趣。给你一张 20% 的图。
你的图,据我所知,我们不会看到。
我知道你不会通过我的留言。事实上,我知道你会说话。不幸的是,你没有意识到用粗体红色标出的是 FF.....。我不明白你为什么对 FF 如此过敏。
顺便说一句,你可以从垃圾中制造出很多有用的东西--这就是所谓的循环利用。 我还要再说一句--"垃圾 "的存在只是让你在市场上仍能获得稳定的利润,甚至在这个论坛上也有这样的例子。
你在前面的帖子中写道
"问题是,迄今为止还没有人设法为 FF 找到这样的规则(至少我没有看到过)"。
对于现成的 MO 模型来说,这项任务确实非常困难,也是不可能完成的:将 MO 模型作为一个黑盒子,以平衡为目标,在预测因子的预测能力中寻找某些东西。
这是一项难度极大的任务。
而且没有必要。
我们要一步一步地解决这个问题,这也是我的实际做法:我先解决估计预测因子预测能力的问题,然后将模型作为一个黑盒子进行拟合,再根据拟合结果开展工作。从今天开始,在 EA 测试层面上,我发现我的老师有点奇怪。我需要在教师(目标变量)上下功夫。
但是,我的方案的主要内容是,将一个已经非常复杂的问题(由于试图构建 FF 而变得更加复杂)分解成独立的阶段,使问题变得可观察。
如果不把分类错误打印在屏幕上,你怎么知道它无关紧要呢?打印出任何有趣的东西。
打印出来,显示出即使是 9% 也可能是随机的,而 10% 已经是一种流失了。这很有趣。这里有一个 20% 的例子。
你的图,据我所知,我们不会看到。
你写的一切对我来说都没有意义。
10%的分类误差(如何计算的?要反驳过度训练,你需要训练集和 "样本外 "的分类误差--它们应该大致相等。
我有一个运行良好的智能交易系统,其分类误差略低于 20%。同时,测试仪中的亏损交易比例略高于 20%。
我希望看到一致的分类数据,这将证明不存在过度训练,并了解如何从分类中获得平衡。
今天早些时候,你写道
"问题是,还没有人设法为 FF 找到这样的规则(至少我没有看到过)"。
对于现成的 IO 模型来说,这项任务确实很困难,也不可行:将 IO 模型作为一个黑盒子,以平衡为目标,在预测因子的预测能力中寻找某些东西。
这项任务难上加难。
而且没有必要。
我们要一步一步地解决这个问题,这就是我的实际做法:我先解决估算预测因子预测能力 的问题,然后把模型 当作黑盒子进行拟合, 最后再处理拟合结果。从今天开始,在 EA 测试层面上,我发现我的老师有点奇怪。我需要在老师(目标变量)上下功夫。
但这一计划的主要意义在于,一个已经非常复杂的问题,由于试图构建一个 FF 而变得更加复杂,被分解成了独立的阶段,问题变得可以观察。
即在任何阶段,无论我们在哪里做任何事情,都有一个 FF 作为我们想要得到的结果的评价性描述。您将一般的积分评价分解成了小的微分评价,但本质并没有改变,您在工作中仍然使用 FF。
如果你买了一件糟糕的夹克,该怪谁呢?- 制造商?- 卖家?- 还是羊?- 你可以去研究构成夹克的原子,但它不会变得更好,你也不会明白夹克为什么这么差劲。你在购买夹克时的评估标准--FF--就是罪魁祸首。
如果没有一件夹克符合 FF 标准,那么要么这样的夹克根本不存在,您就没必要买;要么您就需要改变 FF 标准。)
如果你买了一件糟糕的夹克,该怪谁呢?- 制造商?- 卖家?- 还是羊?- 你可以去找组成夹克的原子,但它不会变得更好,你也不会明白夹克为什么这么烂。你在购买夹克时的评估标准就是罪魁祸首--FF。
如果没有适合 FF 的夹克,那么要么这样的夹克根本不存在,您就没必要买,要么您就需要改变 FF)))
您可以制作一件夹克:根据手臂的不同长度调整袖子,准确地贴合驼峰,并在前面漂亮地打上一坨神经。这样就有一件夹克了。这就是我们方法的不同之处。裁缝万岁
或者你也可以做一件夹克:根据手臂的不同长度调整袖子,精确地贴合驼峰,漂亮地渲染前面的一坨神经。这样你就有了一件夹克。这就是我们方法的不同之处。裁缝万岁
分类误差(如何计算?)
是否有任何选项?))))