交易中的机器学习：理论、模型、实践和算法交易 - 页 3345

新评论
 
Forester #:

你想要什么？我们几乎是在随机工作。这不是冰淇淋的需求取决于温度，就像六个月前扔在这里的第一本关于科祖尔的书)))))。

因此，我们需要尝试仔细测量这个 "几乎 "对符号的依赖性）。

 
Aleksey Nikolayev #:

谢谢你，这是一篇高质量、有趣的文章，提供了大量文献资料。

他们似乎没有考虑有趣的不确定性--输出对属性的概率依赖。他们研究了另外两类不确定性--与属性和参数不准确有关的不确定性。它们被美其名曰--aleatoric 不确定性和 epistemic 不确定性（我们应该类比将我们的变体称为目标不确定性）。

我认为，在我们的案例中，属性的 "测量误差 "原则上是不存在的，而模型参数的不确定性与我们的 "目标不确定性 "很难分开。

在我看来，这些不确定性的总和应该就是目标不确定性。但我还没有仔细研究过。

我们的方法与 kozula 通过 meta lerners 所采用的方法大致相同，但为了提高速度，我们在这里还提出了一种方法，即拆解一个模型并将其用作截断分类器的集合，而不是多个分类器的集合。

 
Maxim Dmitrievsky #:


我不明白 R 平方估计值从何而来？

我以前的印象是，如果所有回归系数都显著，那么这个估计值就适用于回归。否则 R 平方不存在....。

 
СанСаныч Фоменко #:

我不明白 R 平方分从何而来？

我以前的印象是，如果所有回归系数都显著，那么这个估计值就适用于回归。否则 R 平方不存在....。

这只是测试人员为了快速比较不同平衡曲线而显示的东西。

其他任何地方都不涉及它。

 
在我看来，根本的方向是错误的......
我认为有必要不在所有数据上建立 TS，而是相反，选择一种至少 50/50 有效的情况/模式，并尝试将有效/无效分开，即通常的二元分类。
 
mytarmailS #:
选择一种已经奏效的情况/模式 至少 50/50

它们都各占一半。

 
Ivan Butko #:

他们的工作时间各占一半。

看起来就是这样。

这就像遇到恐龙的概率是 50/50，与实际概率无关。
 
mytarmailS #:
这就像

就像50/50的机会遇到恐龙 这和实际概率无关

如果你在脚本中为一个数字打分，并对未来进行统计，那么无论是按蜡烛数还是按点数，涨跌分布都趋向于 50/50。

这与蜡烛图的数字有关（HLC 的相互比例），我没有计算永恒的数字，因为对于至少 1000 个数字的统计来说，它们太少了。

因此，如果在 2022 年，55% 的蜡烛图显示前进，蜡烛图的平均值比 Sel 年高 5-10%，那么在 2023 年，回报仍将是 50/50，没有任何优惠。

 
Ivan Butko #:

如果您在脚本中打出一个数字，并对未来进行统计，那么无论是按蜡烛数量还是按点数，涨跌分布都趋于 50/50。

烛台数字就是这种情况（HLC 彼此的比率），我没有计算永恒的数字，因为它们太少，无法统计至少 1000 个数字。

因此，如果在 2022 年，55% 的蜡烛图显示向上，且蜡烛图的平均值比 Sel 年高出 5-10%，那么在 2023 年，计算结果仍将是 50/50，没有任何特权。

如果再加上适当的止损和止盈，也是 50/50 吗？

还是根据某个确定的平均值来计算盈亏？
 
mytarmailS #:
如果再加上适当的止损和止盈，是否也是 50/50？

还是根据某个短暂的平均值计算盈亏？
统计平均线怎么可能是短暂的？
它就是这样：平均上涨这么多，平均下跌这么多。
在此基础上，你就可以进行止盈和止损。

但这只是一招半式，因为如果 TP 和 SL 取决于平均值，那么它们的作用也是一半一半。

如果平均值对你来说不算什么，那么 TP 和 SL 就是纯粹的拟合，纯粹的 50/50，是优化器中的玩具。

想法则不同：简单形态的统计取决于长期趋势。根据人工交易者的工作，他们交易独立形态，这也是长期下跌交易中的加码。

但复杂形态很少出现。剩下的唯一选择就是忽略统计数据的小样本，并尝试将其输入神经网络。
1...333833393340334133423343334433453346334733483349335033513352...3399
新评论