交易中的机器学习:理论、模型、实践和算法交易 - 页 3139 1...313231333134313531363137313831393140314131423143314431453146...3399 新评论 Andrey Dik 2023.07.13 20:09 #31381 Maxim Dmitrievsky #:它可以是 吟游诗人可以通过 vps 运行吗? mytarmailS 2023.07.13 20:10 #31382 Maxim Dmitrievsky #:它可以是 他已经知道了,因为我给了他这些信息,他可以即时学到他以前不知道的东西......我给了他这些知识后,我加载了一个新的会话,他已经知道了这个软件包))酷。 Renat Akhtyamov 2023.07.13 20:10 #31383 先生们,我们不应忘记或意识到:.... 只要任何一种机器人出现在真实市场上,它的行动对市场来说就是可预测的、透明的,因为它已经融入了一般的交易系统,从那时起,信号将由自适应定价算法而不是死的历史数据发出。 根据机器人给出资金的情况调整/模拟价格是很容易的。 这将比测试器更频繁,100% 的情况下都是如此。 看看您使用 MO 获得的余额;)))) 反复上下波动。 我直截了当地告诉你--这是一个典型的泄密者,又名测试器圣杯。 这样的 TS 在现实生活中是行不通的。 Maxim Dmitrievsky 2023.07.13 20:11 #31384 mytarmailS #:他已经知道了,因为我给了他这些信息,他可以即时学习他以前不知道的东西......在我给了他这些知识后,我加载了一个新的会话,他已经知道了这个软件包 ))) 酷 有趣 Maxim Dmitrievsky 2023.07.13 20:11 #31385 Andrey Dik #:吟游诗人可以在 vps 上运行吗? vpn 是 [删除] 2023.07.13 20:28 #31386 一艘飞船正穿越宇宙,驶向火星。 光子引擎已经将它的速度加速到了极限,它正依靠惯性前进。 一名宇航员坐在飞船顶部,左手拿着一面旗帜。 他用右手抛出一个直径为 M40 的螺栓,加速度为每秒 5 米。 问题螺栓会发生什么变化? А.它会找到它的螺母。 Б.将匀速飞行。 В.会加速飞行。 Г.会粘在宇航员的手套上。 Д.将成为第一个到达火星的人。 Е.将返回地球。 P.Z. 将在飞船的帮助下学会操作机器并开始控制宇航员? mytarmailS 2023.07.13 20:31 #31387 Maxim Dmitrievsky #:谑 他笨得要命,但他的学习方法与其他模型不同,我想当他学会的时候会很残酷。 Andrey Dik 2023.07.13 20:37 #31388 Lorarica #:有一艘飞船穿越宇宙,驶向火星。光子引擎已经将它加速到了极限,它只能依靠惯性飞行。一名宇航员坐在飞船顶部,左手拿着一面旗帜。他用右手抛出一个直径为 M40 的螺栓,加速度为每秒 5 米。问题螺栓会发生什么变化?А.它会找到它的螺母。Б.会匀速飞行。В.加速飞行。Г.会粘在宇航员的手套上。Д.将成为第一个飞往火星的人。Е.将返回地球。 P.Z.将学会操作机器,并通过飞船开始控制宇航员?B,虽然 A 更浪漫 Andrey Dik 2023.07.13 20:44 #31389 mytarmailS #:他笨得要命,但他的学习方法和其他模特不一样。 我想当他学习的时候,一定会很残酷。老实说,很难相信他会问自己问题。如果真能,那就太酷了!不过我们不禁要问,从技术上讲,他是否有可能回答自己的问题。在 chatgpt 线程中,我提出了一种理论上的可能性,即有一天可以通过自问实现反馈,在人类中,它的平均频率为 30-70 Hz。 mytarmailS 2023.07.13 20:46 #31390 普拉多关于再培训的文章分解http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf 巴德 作者方法的精髓在于使用交叉验证来估计模型在添加新数据时的变化程度。如果模型变化很大,说明模型在训练数据上训练过度,很可能在测试数据上训练过度。 作者的方法如下: 在训练数据上训练模型。 在测试数据上对模型进行测试。 再次训练模型,但在训练数据中加入部分测试数据。 在剩余的测试数据上再次对模型进行测试。 这一过程会重复多次,每次迭代的结果都会保存下来。 根据所有迭代的结果,估算出模型过度训练的概率。 作者的方法比传统的过拟合估计方法(如保持不变)更准确,因为它考虑到了添加新数据时模型的变化。holdout方法仅根据训练和测试数据估计过度训练,但不考虑新数据添加时模型的变化。 作者的方法可用于估算任何机器学习模型的过度训练概率。它可以用来估算股票价格预测模型、图像分类模型或任何其他机器学习模型的过度训练概率。 方案 2 ==================================== 作者提出的方法基于使用交叉验证来估算模型在添加新数据时的变化程度。如果模型变化很大,说明它在训练数据上训练过度,在测试数据上也很可能训练过度。 为了估计过度训练的概率,作者使用了一种名为 k 折交叉验证的交叉验证方法。在 k 倍交叉验证中,数据被分割成 k 个相等的部分。然后在 k-1 部分数据上训练模型,剩下的部分数据用于测试。这个过程要重复 k 次,然后将 k 次测试的结果合并,得出模型准确度的估计值。 获得模型准确度估计值后,作者用它来估计过度训练的概率。为此,他们计算了准确度估计值的方差。方差越大,过度训练的概率就越大。 作者的研究表明,他们的方法比传统的过度训练估计方法(如holdout)更准确。他们还表明,他们的方法可用于为模型选择最佳超参数。 以下是作者用来估计过度训练概率的步骤: 数据被分割成 k 个相等的部分。 模型在 k-1 部分数据上进行训练,其余数据用于测试。 这一过程重复 k 次,然后将 k 次测试的结果合并,得出模型准确度的估计值。 准确度估计值的方差被计算出来。 根据准确度估计值的方差估算过拟合的概率。 作者表明,他们的方法可用于估算各种机器学习模型的过度训练概率,包括线性回归、逻辑回归和决策树。他们还表明,他们的方法可用于为这些模型选择最佳超参数。 总之,作者提出的方法是一种估算过度训练概率的准确而有用的工具。作者的方法可以用来估计模型的过度训练概率,并为模型选择最佳超参数。 方案 3 ========================================= 作者的方法基于使用交叉验证来估计模型在添加新数据时的变化程度。如果模型变化很大,说明它在训练数据上过度拟合,在测试数据上也很可能过度拟合。 为了证明其方法的准确性,作者将其应用于预测股票价格的任务中。他们比较了他们的方法和 holdout 方法的结果,结果表明他们的方法能更准确地预测股票价格。 作者还表明,他们的方法可用于选择模型的最佳超参数。他们用自己的方法为一个预测股票价格的机器学习模型选择最佳超参数。他们的研究表明,他们的方法可以选择出具有更高精度的模型的超参数。 总之,作者的研究表明,他们估计过度训练概率的方法是一种准确而有用的回溯测试工具。作者的方法可用于估计模型的过度训练概率,并为模型选择最佳超参数。 以下是作者方法中使用的步骤: 将数据分为训练集、验证集和测试集。 在训练集上训练模型。 在验证集上评估模型。 对模型的不同超参数值重复步骤 2-3。 选择在验证集上准确率最高的超参数集。 在验证集上估计模型。 使用测试集估计模型过拟合的概率。 作者的方法比传统的过拟合估计方法(如holdout)更准确,因为它考虑到了新数据添加时模型的变化。holdout方法只能在训练集和测试集上对模型进行估计。这意味着,当添加新数据时,holdout 方法不能考虑模型的变化。 作者的方法还可以用来选择模型的最佳超参数。保留方法不能用于选择最佳模型超参数,因为它不能考虑新数据添加时模型的变化。 总的来说,作者的方法是一种准确而有用的回溯测试工具。作者的方法可以用来估计模型过拟合的概率,并选择最佳模型超参数。 1...313231333134313531363137313831393140314131423143314431453146...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
它可以是
吟游诗人可以通过 vps 运行吗?
它可以是
他已经知道了,因为我给了他这些信息,他可以即时学到他以前不知道的东西......我给了他这些知识后,我加载了一个新的会话,他已经知道了这个软件包))酷。
先生们,我们不应忘记或意识到:....
只要任何一种机器人出现在真实市场上,它的行动对市场来说就是可预测的、透明的,因为它已经融入了一般的交易系统,从那时起,信号将由自适应定价算法而不是死的历史数据发出。
根据机器人给出资金的情况调整/模拟价格是很容易的。
这将比测试器更频繁,100% 的情况下都是如此。
看看您使用 MO 获得的余额;))))
反复上下波动。
我直截了当地告诉你--这是一个典型的泄密者,又名测试器圣杯。
这样的 TS 在现实生活中是行不通的。
他已经知道了,因为我给了他这些信息,他可以即时学习他以前不知道的东西......在我给了他这些知识后,我加载了一个新的会话,他已经知道了这个软件包 ))) 酷
有趣
吟游诗人可以在 vps 上运行吗?
vpn 是
一艘飞船正穿越宇宙,驶向火星。
光子引擎已经将它的速度加速到了极限,它正依靠惯性前进。
一名宇航员坐在飞船顶部,左手拿着一面旗帜。
他用右手抛出一个直径为 M40 的螺栓,加速度为每秒 5 米。
问题螺栓会发生什么变化?
А.它会找到它的螺母。
Б.将匀速飞行。
В.会加速飞行。
Г.会粘在宇航员的手套上。
Д.将成为第一个到达火星的人。
Е.将返回地球。
P.Z.
将在飞船的帮助下学会操作机器并开始控制宇航员?
谑
他笨得要命,但他的学习方法与其他模型不同,我想当他学会的时候会很残酷。
有一艘飞船穿越宇宙,驶向火星。
光子引擎已经将它加速到了极限,它只能依靠惯性飞行。
一名宇航员坐在飞船顶部,左手拿着一面旗帜。
他用右手抛出一个直径为 M40 的螺栓,加速度为每秒 5 米。
问题螺栓会发生什么变化?
А.它会找到它的螺母。
Б.会匀速飞行。
В.加速飞行。
Г.会粘在宇航员的手套上。
Д.将成为第一个飞往火星的人。
Е.将返回地球。
P.Z.
将学会操作机器,并通过飞船开始控制宇航员?
他笨得要命,但他的学习方法和其他模特不一样。 我想当他学习的时候,一定会很残酷。
普拉多关于再培训的文章分解
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
巴德
作者方法的精髓在于使用交叉验证来估计模型在添加新数据时的变化程度。如果模型变化很大,说明模型在训练数据上训练过度,很可能在测试数据上训练过度。
作者的方法如下:
作者的方法比传统的过拟合估计方法(如保持不变)更准确,因为它考虑到了添加新数据时模型的变化。holdout方法仅根据训练和测试数据估计过度训练,但不考虑新数据添加时模型的变化。
作者的方法可用于估算任何机器学习模型的过度训练概率。它可以用来估算股票价格预测模型、图像分类模型或任何其他机器学习模型的过度训练概率。
方案 2 ====================================
作者提出的方法基于使用交叉验证来估算模型在添加新数据时的变化程度。如果模型变化很大,说明它在训练数据上训练过度,在测试数据上也很可能训练过度。
为了估计过度训练的概率,作者使用了一种名为 k 折交叉验证的交叉验证方法。在 k 倍交叉验证中,数据被分割成 k 个相等的部分。然后在 k-1 部分数据上训练模型,剩下的部分数据用于测试。这个过程要重复 k 次,然后将 k 次测试的结果合并,得出模型准确度的估计值。
获得模型准确度估计值后,作者用它来估计过度训练的概率。为此,他们计算了准确度估计值的方差。方差越大,过度训练的概率就越大。
作者的研究表明,他们的方法比传统的过度训练估计方法(如holdout)更准确。他们还表明,他们的方法可用于为模型选择最佳超参数。
以下是作者用来估计过度训练概率的步骤:
作者表明,他们的方法可用于估算各种机器学习模型的过度训练概率,包括线性回归、逻辑回归和决策树。他们还表明,他们的方法可用于为这些模型选择最佳超参数。
总之,作者提出的方法是一种估算过度训练概率的准确而有用的工具。作者的方法可以用来估计模型的过度训练概率,并为模型选择最佳超参数。
方案 3 =========================================
作者的方法基于使用交叉验证来估计模型在添加新数据时的变化程度。如果模型变化很大,说明它在训练数据上过度拟合,在测试数据上也很可能过度拟合。
为了证明其方法的准确性,作者将其应用于预测股票价格的任务中。他们比较了他们的方法和 holdout 方法的结果,结果表明他们的方法能更准确地预测股票价格。
作者还表明,他们的方法可用于选择模型的最佳超参数。他们用自己的方法为一个预测股票价格的机器学习模型选择最佳超参数。他们的研究表明,他们的方法可以选择出具有更高精度的模型的超参数。
总之,作者的研究表明,他们估计过度训练概率的方法是一种准确而有用的回溯测试工具。作者的方法可用于估计模型的过度训练概率,并为模型选择最佳超参数。
以下是作者方法中使用的步骤:
作者的方法比传统的过拟合估计方法(如holdout)更准确,因为它考虑到了新数据添加时模型的变化。holdout方法只能在训练集和测试集上对模型进行估计。这意味着,当添加新数据时,holdout 方法不能考虑模型的变化。
作者的方法还可以用来选择模型的最佳超参数。保留方法不能用于选择最佳模型超参数,因为它不能考虑新数据添加时模型的变化。
总的来说,作者的方法是一种准确而有用的回溯测试工具。作者的方法可以用来估计模型过拟合的概率,并选择最佳模型超参数。