交易中的机器学习:理论、模型、实践和算法交易 - 页 3275

 
Maxim Dmitrievsky #:

出于某种原因,你认为你的爱好是最吸引人的。

你说得对

各人有各人的爱好

但我也对 "我 "感兴趣

但我为什么要踩在同一根耙子上呢?

我会感受到这里研究的积极成果,我很乐意加入这个领域的成熟专家行列。

然而,思想上的错误是肉眼可见的。

而我真的希望你们朝着正确的方向前进,在短时间内达到预期的效果。

 

关于安索战略

https://buildalpha.wordpress.com/2018/11/20/buildalpha-ensemble-strategies-reduce-overfitting-by-combining-strategies/

----------------------------------------

所以,你只需要一个策略再训练的度量,就能知道一个策略在新数据上是否有效,其他的都是可以解决的....

----------------------------------------

有一种想法是采用多种方法来检测过度训练,我的方法基于 auto.arima、Prado "PBO"。还有一种可能的方法是,加入预测因子,教 AMO 预测过度训练的概率,并将其作为一项指标。

或者

Ensemble Strategies [Reduce Overfitting By Combining Strategies]
Ensemble Strategies [Reduce Overfitting By Combining Strategies]
  • 2018.11.20
  • Build Alpha
  • buildalpha.wordpress.com
What is an Ensemble Strategy or Method? “In statistics and machine learning, ensemble methods use multiple learning algorithms (trading strategies in our case) to obtain better predictive performance than could be obtained from any of the constituent (individual strategies) learning algorithms.” A simpler example would be to think of it as a...
 
mytarmailS #:
策略再训练指标,用于了解策略在新数据上是否有效。

圣杯一词的另一个变体?:-)"知道它将来是否有效"

 
Maxim Kuznetsov #:

圣杯一词的另一个变体?:-)"知道它在未来是否可行"

我说得不准确,我们需要的是一个真实的概率,例如--将以 69% 的概率在新数据上工作

 

如果可以的话,我想为这样一个有趣而重要的话题献计献策。

机器 学习 ML 是一类人工智能方法,其特点不是直接解决问题,而是通过应用一系列类似问题的解决方案来学习。要构建这类方法,需要使用数理统计 工具、数值方法、数学分析、优化方法、概率论、图论以及处理数字形式数据的各种技术。

P.Z.

 
Lorarica 数理统计、数值方法、数学分析、优化方法、概率论、图论等工具,以及处理数字形式数据的各种技术。

P.Z.

这里最重要的是不要写很多字,已经搜索得很累了,1-2 句话是读不完的

 

因此,策略优化或学习应该是这样的

其中,平均得分与使用交叉验证时的结果类似

R2: 0.9849988744314404
Learn 1 model
R2: 0.9689143064621495
Learn 2 model
R2: 0.987424656181599
Learn 3 model
R2: 0.9439690206389704
Learn 4 model
R2: 0.9814487072270343
Learn 5 model
R2: 0.9636828703372952
Learn 6 model
R2: 0.986048862779979
Learn 7 model
R2: 0.960923469755229
Learn 8 model
R2: 0.9734744911894477
Learn 9 model
R2: 0.983760998020949
Learn 10 model
R2: 0.970035929265801
Learn 11 model
R2: 0.9888147318560191
Learn 12 model
R2: 0.9724422982608569
Learn 13 model
R2: 0.9554046278458146
Learn 14 model
R2: 0.9664401507673384
Learn 15 model
R2: 0.9806752105871513
Learn 16 model
R2: 0.977769556127485
Learn 17 model
R2: 0.9760342284284887
Learn 18 model
R2: 0.9769043647488534
Learn 19 model
R2: 0.9741849376008709
Learn 20 model
R2: 0.9740162061450146
Learn 21 model
R2: 0.919817531536493
Learn 22 model
R2: 0.9788269230776873
Learn 23 model
R2: 0.9579249703828974
Learn 24 model
R2: 0.9612684327278544
>>> o[0].mean()
0.9706082542553089
>>> o[0].std()
0.015284036641045055
 
Lorarica #:
它不是一个定义,不是一套完整的属性。
定义应明确回答 "它是什么 "的问题。

你所看到的只是一堆来自互联网的词语,并打上了 "MO "的标签。
 
Maxim Dmitrievsky #:

因此,优化策略或培训应该是这样的:

其中,平均得分与使用交叉验证时的结果类似

大致是这样......是这样吗?

o[0] 是什么?