交易中的机器学习：理论、模型、实践和算法交易 - 页 3103

新评论
 
mytarmailS #:

我的意思是官方科学中是否有这种方法，因为我已经听到了关于与 SB 比较的完全相同的想法

我想知道是否有任何成熟的技术。


这里有一个草图。

左边是欧元 m5 的真实图表

右边是转换为 m5 的 SB ticks （累计和） 图

从视觉上看，这两幅图很相似。）

异方差是计量经济学和各种应用统计学的模型。有很多测试方法。R 应该都有。问题是，它们给出的是过去的估计值，并不确定是否适合当前。

 
Maxim Dmitrievsky #:
为勇敢者的疯狂干杯）

这就是全人类发展的现状。

如果通过标准方法的训练，了解了模型不工作的原因，那么我们就需要寻找解决问题的方法。虽然不可能尽善尽美，但可以让我们更有信心、更有可能在市场上应用这种模式。这样，我们就有了进一步研究问题和改进问题的收入。

如果我们考虑神经元，那么或许可以将样本划分为多个 "bachs"，并增加 "bachs"（概率分布中的变化区域）的数量，目的是让它们对学习过程做出同等贡献。对于树来说，这就比较困难了，虽然 CatBoost 在大型样本中也使用类似的 bachs，但却无法控制或管理。虽然有一种持续学习的技术 - 还没有用它做过实验....。你用过吗？

 
sibirqk #:

从外观上看，这两幅图很相似）。

异方差是计量经济学和各种应用统计学的模型。这里发明了很多测试方法。R 应该都有。问题是，它们给出的是过去的估计值，并不确定是否适合当前。

我对它的看法与对 SB 使用的看法不同。


例如，如果我在市场中发现一个复杂的形态，我可以生成一个 SB，看看它是否存在。

如果它不在 SB 上，那就很好，因为我发现了一种市场固有的属性。

我不知道，两种模式都有是不是不好？


好吧，我想读一读那些已经提出过这个问题的聪明人的文章。

 
Aleksey Vyazmikin #:

这是全人类发展的立足点。

如果了解了按照标准方法训练的模型不工作的原因，就有必要寻找解决问题的办法。即使不是最理想的，但可以让我们更有信心、更有可能在市场上应用这种模式。然后用收入进一步研究问题并加以改进。

如果我们考虑神经元，那么也许可以将样本划分为不同的 "bachs"，并增加 "bachs"（概率分布中的变化区域）的数量，目的是让它们对学习过程做出同等贡献。对于树来说，这就比较困难了，虽然 CatBoost 在大型样本中也使用类似的 bachs，但却无法控制或管理。虽然有一种持续学习的技术 - 还没有用它做过实验....。你用过吗？

我做过预学习的变体，但不是那样的。在剔除过程中，过去迭代的权重不会改变，就像在神经元中一样，只是在神经元之上。这是一个缺点。

我也做过各种架构的神经元，包括生成合成数据的编码器-解码器。foreach上也不太需要。
 
mytarmailS #:

我对使用 SB 的看法不同。


例如，如果我在市场中发现了某种复杂的模式，我可以生成 SB 并检查它是否存在。

如果不存在，那就很好，我发现了一种市场固有的属性。

我不知道，这种模式存在和存在是否是坏事？


好吧，我想读一读那些已经提出过这个问题的聪明人的文章。

好吧，这是交易者测试者的标准绅士把戏。你在市场中找到一种模式。然后根据 SB 的报价进行检查。如果 SB 上的预测是 50/50，那么你或多或少可以相信测试。如果预测的百分比差不多，那么你就要寻找可以展望未来的地方。如果没有，那就寻找对未来的狡猾窥视。如果没有，那就找一个非常聪明的预测。差不多就是这样。

 
sibirqk #:

对于测试交易员来说，这是标准的绅士把戏。

太标准了。
每个测试员都有

 
Maxim Dmitrievsky #:
为勇敢者的疯狂干杯）

打折花环:).

 

我们的 PBO 结束了吗？

说够了就忘了？

 
mytarmailS #:

PBO 完成了吗？

你说得够多了，忘了吗？

不是忘记，而是丢弃。

您应该始终在两个文件上进行测试。

第一个文件按样本分为三部分：70%、15%、15%。在第一个文件中，使用最少 5 个折叠和足够大的折叠进行交叉检查。对于 RF 来说是 1500。然后，我们在第二个和第三个样本上运行，再在第二个文件上运行，即 "原样"。所有样本的分类误差应该大致相同。

RFO 会增加什么？
 
СанСаныч Фоменко #:
 除此之外，RHE 还能提供什么？

文章中写道

1...309630973098309931003101310231033104310531063107310831093110...3399
新评论