交易中的机器学习：理论、模型、实践和算法交易 - 页 3357 1...335033513352335333543355335633573358335933603361336233633364...3399 新评论 Maxim Dmitrievsky 2023.12.25 07:41 #33561 简单解释一下：对于分类器来说，直方图上的第一种情况和第二种情况是相同的，因为使用了类标签。这里和那里都有一个最可能类别的单位。训练后，它给出的不是类概率，而是通过 sigmoid 或 softmax 得出的预测误差减去 1。这与设置预测阈值时的预期完全不符。 Aleksey Nikolayev 2023.12.25 08:07 #33562 概率方法是好的，也是正确的。我们总是会有很强的噪声，重点在于寻找与 SB 条件下的噪声之间的差异。仅靠噪声方差是不够的。 在我看来，分类任务并不合适，因为它会极大地丢弃信息。我们需要的是查看价格变动值在所需方向上的分布，并模拟这种分布如何取决于符号，然后根据这种分布的类型（如果它与 SB 时的分布存在差异）建立 TS。 СанСаныч Фоменко 2023.12.25 08:11 #33563 Maxim Dmitrievsky #: 最后一次：分类器被校准是因为 它输出了不正确的概率。 它们的原始形式毫无意义。别再想了。 受不了了。 抽象的、读作参考的、完美的、与随机过程无关的概率是不存在的。 没有这种东西。 抛硬币的概率，等等。 因此，任何一个分类器都会给出一个概率，这个概率可以描述特定分类器的特征，也就是我们需要的特征--预测误差。另一个分类器会给出其他概率，并有相应的类别预测误差。 根据预测器及其相关标签以及类别平衡，就会出现设置阈值将概率划分为不同类别的问题。上文给出了这一操作的工具，称为 "校准"。也可以用 Kolkhoz 的方式来完成。 无论如何，您都可以大幅降低特定分类器给出的概率预测误差，因为在使用特定分类器时，自然界中不存在 其他概率。如果你不喜欢这些概率，那就换一个分类器或进行校准。在这一特定过程中，不存在 "完美 "概率，理论上也不存在 "完美 "概率。 有一点是明确的，那就是用 0.5 的阈值来划分类别是非常有问题的，而且很少有效。 Maxim Dmitrievsky 2023.12.25 08:35 #33564 СанСаныч Фоменко #:我不能接受。 分类器给出的概率毫无意义。它们不是概率。如果你需要它们，你就不能使用它们。不要跑在火车头前面，给这个事实填上新的含义。至少要面对它。 Aleksey Nikolayev 2023.12.25 08:38 #33565 СанСаныч Фоменко #:我受不了了。不存在与随机过程无关的抽象的、可参考的、理想的概率。没有这种东西。 抛硬币的概率，等等。因此，任何一个分类器都会给出一个概率，这个概率可以描述特定分类器的特征，也就是我们需要的特征--预测误差。另一个分类器会给出其他概率，并给出相应类别的预测误差。根据预测器及其相关标签以及类别平衡，就会出现设置阈值将概率划分为不同类别的问题。上文给出了这一操作的工具，称为 "校准"。它也可以通过 Kolkhoz 方法完成。 在任何情况下，您都可以大幅降低特定分类器给出的概率预测误差，因为在使用特定分类器时，自然界中没有 其他概率。如果你不喜欢这些概率，可以使用分类器或进行校准。在这一特定过程中，不存在 "完美 "概率，理论上也不存在这种概率。有一点是很清楚的，那就是用 0.5 的阈值来划分类别是非常有问题的，而且很少有效。 在这里，我们讨论的是使用错误概率模型时常见的 matstat 错误。例如，如果回归中的噪声实际上是拉普拉斯分布，而我们却按照高斯分布来计算，那么显然会出现误差。 PS.实际上，这里的重点是要回归 MO 的概率论起源，顺便说一下，MO 在其诞生之初被称为（至少在苏联是）统计学习（statistical learning）。 Maxim Dmitrievsky 2023.12.25 09:20 #33566 我已经在上面描述了这个例子。有一个分类器通过了 OOS，但返回值的分布是 60/40。你不喜欢这样，于是提高了判定阈值，但情况并没有改变，有时甚至更糟。你抓耳挠腮，不明白为什么会这样。 有人解释了为什么会这样：因为在真正的概率估计中，情况应该发生变化。 给出了解决方案。 Andrey Dik 2023.12.25 10:10 #33567 Maxim Dmitrievsky #:我已经在上面描述了这个例子。有一个分类器通过了 OOS，但返回值的分布是 60/40。你不喜欢这样，于是提高了判定阈值，但情况并没有改变，有时甚至更糟。你抓耳挠腮，不知道为什么会这样。给出的解释是：因为在真正的概率估计情况下，情况应该发生变化。给你的解决方案是这不是早就显而易见了吗？ Andrey Dik 2023.12.25 10:11 #33568 后期优化--也没人说得清，但他们说是校准！哦，对了。 Aleksey Nikolayev 2023.12.25 10:18 #33569 Maxim Dmitrievsky #:我已经在上面描述了这个例子。有一个分类器通过了 OOS，但返回值的分布是 60/40。你不喜欢这样，于是提高了判定阈值，但情况并没有改变，有时甚至更糟。你抓耳挠腮，不知道为什么会这样。给出的解释是：因为在真正的概率估计情况下，情况应该发生变化。给出了一个解决方案。 不过，我想指出的是，校准并不是万能的，也不是免费的--您需要现有分类器的良好特性。为了避免赘述，我将引用您关于 SHAD 的第二个参考文献。"一般来说，如果每个真实类别的预测概率都是正态分布且方差相等，那么可以证明这种方法效果很好"。这是关于普拉特校准，但其他校准也必须满足某些条件。 实际上，一切都和 matstat 一样--所用模型的概率特性应与所研究的数据相对应。 Maxim Dmitrievsky 2023.12.25 10:22 #33570 Aleksey Nikolayev #:不过，我想指出的是，校准并不是万能的，也不是免费的--您需要现有分类器的良好特性。为了避免赘述，我将引用您关于 SHAD 的第二个参考文献。"一般来说，如果每个真实类别的预测概率都是正态分布且方差相等，那么可以证明这种方法效果很好"。这是关于普拉特校准，但其他校准也必须满足某些条件。实际上，一切都和 matstat 一样--所用模型的概率特性应与所研究的数据相对应。 当然，这只是使输出结果具有概率性的一种方法，因为使用原始模型概率是没有用的。 1...335033513352335333543355335633573358335933603361336233633364...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
概率方法是好的，也是正确的。我们总是会有很强的噪声，重点在于寻找与 SB 条件下的噪声之间的差异。仅靠噪声方差是不够的。
在我看来，分类任务并不合适，因为它会极大地丢弃信息。我们需要的是查看价格变动值在所需方向上的分布，并模拟这种分布如何取决于符号，然后根据这种分布的类型（如果它与 SB 时的分布存在差异）建立 TS。
受不了了。
抽象的、读作参考的、完美的、与随机过程无关的概率是不存在的。
没有这种东西。
抛硬币的概率，等等。
因此，任何一个分类器都会给出一个概率，这个概率可以描述特定分类器的特征，也就是我们需要的特征--预测误差。另一个分类器会给出其他概率，并有相应的类别预测误差。
根据预测器及其相关标签以及类别平衡，就会出现设置阈值将概率划分为不同类别的问题。上文给出了这一操作的工具，称为 "校准"。也可以用 Kolkhoz 的方式来完成。
无论如何，您都可以大幅降低特定分类器给出的概率预测误差，因为在使用特定分类器时，自然界中不存在 其他概率。如果你不喜欢这些概率，那就换一个分类器或进行校准。在这一特定过程中，不存在 "完美 "概率，理论上也不存在 "完美 "概率。
有一点是明确的，那就是用 0.5 的阈值来划分类别是非常有问题的，而且很少有效。
我不能接受。
我受不了了。
不存在与随机过程无关的抽象的、可参考的、理想的概率。
没有这种东西。
抛硬币的概率，等等。
因此，任何一个分类器都会给出一个概率，这个概率可以描述特定分类器的特征，也就是我们需要的特征--预测误差。另一个分类器会给出其他概率，并给出相应类别的预测误差。
根据预测器及其相关标签以及类别平衡，就会出现设置阈值将概率划分为不同类别的问题。上文给出了这一操作的工具，称为 "校准"。它也可以通过 Kolkhoz 方法完成。
在任何情况下，您都可以大幅降低特定分类器给出的概率预测误差，因为在使用特定分类器时，自然界中没有 其他概率。如果你不喜欢这些概率，可以使用分类器或进行校准。在这一特定过程中，不存在 "完美 "概率，理论上也不存在这种概率。
有一点是很清楚的，那就是用 0.5 的阈值来划分类别是非常有问题的，而且很少有效。
在这里，我们讨论的是使用错误概率模型时常见的 matstat 错误。例如，如果回归中的噪声实际上是拉普拉斯分布，而我们却按照高斯分布来计算，那么显然会出现误差。
PS.实际上，这里的重点是要回归 MO 的概率论起源，顺便说一下，MO 在其诞生之初被称为（至少在苏联是）统计学习（statistical learning）。
我已经在上面描述了这个例子。有一个分类器通过了 OOS，但返回值的分布是 60/40。你不喜欢这样，于是提高了判定阈值，但情况并没有改变，有时甚至更糟。你抓耳挠腮，不明白为什么会这样。
有人解释了为什么会这样：因为在真正的概率估计中，情况应该发生变化。
给出了解决方案。
我已经在上面描述了这个例子。有一个分类器通过了 OOS，但返回值的分布是 60/40。你不喜欢这样，于是提高了判定阈值，但情况并没有改变，有时甚至更糟。你抓耳挠腮，不知道为什么会这样。
给出的解释是：因为在真正的概率估计情况下，情况应该发生变化。
给你的解决方案是
我已经在上面描述了这个例子。有一个分类器通过了 OOS，但返回值的分布是 60/40。你不喜欢这样，于是提高了判定阈值，但情况并没有改变，有时甚至更糟。你抓耳挠腮，不知道为什么会这样。
给出的解释是：因为在真正的概率估计情况下，情况应该发生变化。
给出了一个解决方案。
不过，我想指出的是，校准并不是万能的，也不是免费的--您需要现有分类器的良好特性。为了避免赘述，我将引用您关于 SHAD 的第二个参考文献。"一般来说，如果每个真实类别的预测概率都是正态分布且方差相等，那么可以证明这种方法效果很好"。这是关于普拉特校准，但其他校准也必须满足某些条件。
实际上，一切都和 matstat 一样--所用模型的概率特性应与所研究的数据相对应。
不过，我想指出的是，校准并不是万能的，也不是免费的--您需要现有分类器的良好特性。为了避免赘述，我将引用您关于 SHAD 的第二个参考文献。"一般来说，如果每个真实类别的预测概率都是正态分布且方差相等，那么可以证明这种方法效果很好"。这是关于普拉特校准，但其他校准也必须满足某些条件。
实际上，一切都和 matstat 一样--所用模型的概率特性应与所研究的数据相对应。
当然，这只是使输出结果具有概率性的一种方法，因为使用原始模型概率是没有用的。