交易中的机器学习：理论、模型、实践和算法交易 - 页 3183

新评论
 

通过相同的算法，我获得 OOS 工作模型和非 OOS 工作模型的方法完全相同。符号是一样的，没有添加新的随机化。它只是随机找到长期运行模式或局部模式。因为在随机子样本（线选范围内的 40%）上进行训练，仍然会有其他随机化器通过随机化寻找模式，而随机化会追逐这些模式。


 
fxsaber #:

一个

我不明白这句话的意思。下面两个选项是什么意思？

  1. 随机化 需要多次重复才能得到一个可行的随机化。
  2. 如果你创建了大量的随机字符，那么其中出现可行字符的概率就会增加。

随机化算法如下：

  1. 获取真实的刻度历史。
  2. 从中提取平均（（买入价+卖出价）/2）价格的增量序列。
  3. 在这个序列中，每个项随机乘以 +1 或 -1 。
  4. 从获得的增量序列中收集新的刻度线历史记录，其中时间和价差与点 1 重合。
  5. 新的刻度线历史记录将被写入自定义符号中。
也就是说，某个真实符号被随机化了。第 3 项的应用次数不限，如果在第 5 项之后重复了所有五个点，则等同于重复了两次第 3 项。

是的，突出显示的

你需要运行很多次，很多字符。我在上面展示了我的过度采样器的一个例子。它只是随机从同一行中抽取样本进行训练，结果在 OOS 上总是不同的。

在 OOS 上出现完全相同的急剧下降。
 
我只是不明白 SB 这东西有什么意义，它能证明什么？如果混合的次数足够多，你可以在 OOS 上得到任何你想要的曲线。
 
mytarmailS #:
妈的，我都不知道该怎么简单形容了。

在测试优化后，您可以 "手工 "在 OOS 上选择更好的变体，而这并不是拟合....。

而如果算法经过优化后在 OOS 上选择了最佳方案，那就是拟合。 为什么？

从全套变体中选择最佳变体/选项就是优化...用手工还是用算法来做并不重要。

也许您只与 MT 测试人员合作过，对优化本身及其应用方法有些公式化的理解，所以我们才会产生一些误解

您的声明

关于交易、自动交易系统和交易策略测试的论坛

交易中的机器学习：理论、模型、实践和算法交易

mytarmailS, 2023.08.16 13:23

想象一下，一般来说，您只有 1000 种 TS 变体。


您的步骤 1 和 2

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

比方说，您已经找到了 300 个可让 TC 赚钱的变体......

2) 现在，您要从这 300 个变体中寻找一个能通过 OOS测试数据 的 TC。比如说，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 点是什么呢？

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（通过交易），而是两个（通过测试 + 通过交易）。

让我们假设有一百万倍的变体：10 亿个 TC，找到 3 亿个 TC 变体，其中训练有素的样本能赚钱--这就是 p.1。

在 p.1.中，优化是根据某个合适度函数进行的。数值越大，假定适配度越高。因此，优化的目的是找到全局最大值。所有这些都是 p.1。


  • 优化结束后，你可以在 3 亿个正向结果中寻找那 5 个通过 OOS 的结果。我不会这么做。
  • 或者，你也可以从全局最大值中找出五个最接近的结果，然后只看它们是否通过 OOS。
因此，如果您采用第一种方法，就可以优化视图。

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

fxsaber, 2023.08.19 01:32 pm

您认为应该更信任train_optim + test_forward 模型而不是(train+test)_optim 模型吗？

也就是说，这是最纯粹的拟合。


然而，如果采用后者，它就不是拟合了。

 
Maxim Dmitrievsky #:

通过相同的算法，我获得 OOS 工作模型和非 OOS 工作模型的方法完全相同。符号是一样的，没有添加新的随机化。

我曾对同一符号进行过训练。很明显，随机化云中存在具有任何特征的序列。

 

前面的情况更糟，后面的情况更好。相反的情况也完全一样。只是目前我还没有进行大量的重建工作。

 
fxsaber #:

你的断言

让我们想象一下，变体总数多出一百万倍：10 亿个 TC，发现了 3 亿个 TC 变异，在训练有素的样本中，它能赚钱--这就是第 1 点。

在第 1 点中，优化是根据某个合适度函数进行的。数值越大，假定适配度越高。因此，优化的目的是找到全局最大值。所有这些都是第 1 点。


  • 优化结束后，你可以在 3 亿个正向结果中寻找 5 个通过 OOS 的结果。我不会这么做。
  • 或者，你也可以从全局最大值中提取五个最接近的结果，然后只看它们是否通过 OOS。
因此，如果采用第一种方法，优化的形式为

所以这是纯粹的拟合。


如果做第二种，就不是拟合了。

明白了我道歉

 
fxsaber #:

我接受过不止一种特征的培训。很明显，在随机化云中，任何特征都有行。

我不觉得有什么问题。所有这些 TS 都是随机的，因为它们是在非稳态市场中交易。但从某些角度来看，某些变体可以带来利润。

 
Maxim Dmitrievsky #:

是的，突出显示的

你必须运行很多次，很多字符。


我在上面展示了我的过度采样器的一个例子。它只是随机从同一行中抽取样本进行训练，结果在 OOS 时总是不同的。

在真实符号上，我并没有这样的效果。我选择优化区间的任意 40%，之后的 OOS 结果都非常相似。

这就是我选择的随机化符号，并给出了它的训练图。

在 OOS 上出现了完全相同的急剧下降。

我并不总是看到它们。

 
fxsaber #:

在实际符号上，我没有观察到这种影响。我选择任意 40% 的优化区间，优化后的结果与 OOS 非常相似。

这就是我随机选择的符号，并给出了它的训练图。

我并不总是看到它们。

这仍然意味着刻度线中有更多的阿尔法值。我找到了在其中快速搜索的方法（如果通过 MO，搜索时间会很长）。我稍后会在完成后公布结果。

1...317631773178317931803181318231833184318531863187318831893190...3399
新评论