交易中的机器学习：理论、模型、实践和算法交易 - 页 3172

新评论
 
mytarmailS #:
尝试从具有浮动特性（非平稳性）的随机序列中生成价格、

并对该序列进行同样的测试/拟合。

谢谢，我会试试 MathRand 增量。

如果您看到了相同的效果（定向 OOS 转储）--那就是拟合/重新训练 TS/MO 的效果。

是否应该在 SB 上进行 OOS 抛售？
如果您在 OOS 上获得的利润与训练时一样，这意味着这种效应（OOS 的定向流失）只是市场固有的，我们可以进一步做出假设

我认为，根据 SB 的定义，不应该出现这种情况。

 
fxsaber #:

谢谢，我会试试 MathRand 增量。

SB 是否应该有 OOS 输出？

我认为根据 SB 的定义，不应该是这样的。

在新数据上使用一枚重新训练过的硬币--它的表现就像一枚 SB。再增加几枚（根据 TC 参数的数量），将误差相加，你会得到尖锐的梅花，有时是 SB，有时反之亦然。部分硬币与趋势挂钩，而趋势发生了变化。部分与小波动有关。第一部分开始一直预测错误的方向，第二部分即使不预测也预测得很糟糕，因为它是根据噪声重新训练的。这些负面影响累积起来，就没有补偿硬币了。
 
Aleksey Nikolayev #:

我通常会尝试 "移动 "一下任务--稍微改变一下所有可能的参数（以及可用的元参数），看看结果会有什么变化。有时，结果会变得更清晰一些。

谢谢。通常是我懒得深入研究。当然，表面上的 "摆动 "我也会练习。

 
Maxim Dmitrievsky #:
在新数据上取一枚重新训练过的硬币--它会表现得像 sb。再添加几枚（根据 TS 参数的数量），将误差相加，你会得到尖锐的梅花，有时是 sb，有时反之亦然。部分硬币与趋势挂钩，而趋势发生了变化。部分与小波动有关。第一部分开始一直预测错误的方向，第二部分即使不预测也预测得很糟糕，因为它是根据噪音重新训练的。负面影响叠加起来，就没有补偿硬币了。

这种说法与将 SB 行数相加时会出现急剧下滑的事实相比较。那么，SB 本身就有凹点。不需要添加任何东西。


也许我错了，但我是这么看的。

  • 多个 SB 的任何组合（添加等）都是 SB。
  • SB 上的任何 TC 都是 SB。
最初的问题并不是关于是否存在急剧下降的问题，而是关于在 Sample 之后立即开始急剧下降的事实。
 
mytarmailS #:

左边的 OOS 也是一种拟合，只不过是一种二阶拟合


想象一下，一般情况下，一个 TC 只有 1000 种变化。


你的步骤 1 和 2

1) 您开始优化/搜索一个好的 TS，这就是训练 数据（拟合/搜索/优化）。

比方说，您已经找到了 300 个变体，在这些变体中，TC 可以赚钱...

2) 现在，您要从这 300 个变体中寻找一个能通过测试数据 OOS 的 TC。例如，您已经找到了 10 个既能在交易 中赚钱又能在测试 中赚钱（OOS）的 TC。


那么第 2 点是什么？

同样是继续拟合，只是您的搜索（拟合/搜索/优化）变得更深入或更复杂了，因为现在您的优化条件不是一个（通过测试），而是两个（通过测试 + 通过测试）。

我不会这样自欺欺人。我只这样做。

  1. 在 traine 上进行优化。
  2. 我从找到的测试结果中选出前五名，并观察其在 OOS 上的表现。在任何情况下，这一点都没有优化。
原始图像就是这样获得的。因此，左侧漂亮的 OOS 根本就不符合要求。
 
fxsaber #:

这种说法与把 SB 行加起来就会发现急剧下降的事实相比较。那么，SB 本身就有凹点。不需要添加任何东西。


也许我错了，但似乎是这样。

  • 多个 SB 的任何组合（添加等）都是 SB。
  • SB 上的任何 TC - SB。
最初的问题并不是关于是否存在锋利的梅花，而是关于锋利的梅花在样品之后立即开始的事实。
我给了你一个解释。也许这需要时间来理解。TS 的某些参数一直处于错误预测的状态。正因为如此，总的结果总是耗尽。有时是立即，有时不是立即。这是随机的。
 
Maxim Dmitrievsky #:
我已经给了你一个解释。也许这需要时间来理解。

我们可能只是在谈论不同的事情。或者存在术语冲突。

例如，上面把 OOS 视为前向测试的一部分。即一个术语，但方法不同。


交易、自动交易系统和交易策略测试论坛

交易中的机器学习：理论、模型、实践和算法交易

Maxim Dmitrievsky, 2023.08.17 06:33 AM

在新数据上取一枚重新训练过的硬币--它会表现得像sb。再加几枚（根据TS参数的数量），将误差相加，你会得到尖锐的梅花，有时是sb，有时反之亦然。部分硬币与趋势挂钩，而趋势发生了变化。部分与小波动有关。第一部分开始一直预测错误的方向，第二部分即使不预测也预测得很糟糕，因为它是根据噪声重新训练的。负面影响累积起来，就没有补偿硬币了。

这个解释给出了一个例子，说明在 SB 中可以找到一种情况，在这种情况下，右边会得到正确的结果：不一定是暴利，但任何结果都有可能。例如，大幅盈利。

但这只是在 SB 上选择样本区间的某种 "运气"。

当然，所有这些都是赤裸裸的理论。

我得看看图表。

 
fxsaber #:

我们可能只是在谈论不同的事情。或者是术语上的冲突。

例如，上文认为 OOS 是前方测试部分。即一个术语，但方法不同。



这个解释给出了一个例子，即有可能在 CB 中找到一种情况，在这种情况下会得到正确的结果：不一定是急剧的梅花，而是任何结果。例如，大幅盈利。

但这只是在 SB 上选择样本区间的一些 "运气"。

当然，所有这些都是赤裸裸的理论。

我得去图表上看看。

是的，这是运气和 "P-黑客"。所以结果可以随心所欲。

P-hacking是故意将结果与有意义的统计标准相匹配。例如，你看到左边的统计图表很陡峭，就会选择这个选项。右边也是一样。这就是拟合。
 

fxsaber #:

多个 SB 的任何组合（添加等）都是一个 SB。

在添加具有固定权重的多个 SB 时绝对正确。更花哨的组合可能会导致更复杂的情况，这主要是由于波动率的波动。

fxsaber#：

一个 SB 上的任何 TS 都是一个 SB。

当所有交易的交易量、止损和止盈大致相同时，这只是部分正确。

从数学上讲，"SB 上的任何 TS 都是 马丁格尔"（不要与马丁格尔混淆）。例如，在超卖、均价等情况下在 SB 上绘制的扑克牌也是马丁格尔，但不是 SB。

 
那么，在 SB 图表上进行分析的方法最初是一条死胡同，因为在它上面你可以得到任何结果：)
要么令人舒心，要么令人讨厌。
1...316531663167316831693170317131723173317431753176317731783179...3399
新评论