交易中的机器学习:理论、模型、实践和算法交易 - 页 3358 1...335133523353335433553356335733583359336033613362336333643365...3399 新评论 Maxim Dmitrievsky 2023.12.25 11:19 #33571 很久以前讨论过,结果是 f-y 过度优化:) Aleksey Nikolayev 2023.12.25 11:22 #33572 Andrey Dik #: 在 Porksaurus、Matemat、Granite 和 Metadriver 的时代就讨论过这个话题,那是很久以前的事了。 我没有从他们那里看到过这个话题,也许是我错过了(我以前读 Cyberpaw 比较多)。这是关于输出概率分布而非具体数值的模型。不能说这是一种全新的方法,但近年来人们对这一话题的兴趣明显增加。 Andrey Dik 2023.12.25 11:44 #33573 Aleksey Nikolayev #: 我没见过这个话题,也许是我错过了(我以前读 Cyberpawk 比较多)。这是关于产生概率分布输出而非具体数值的模型。不能说这是一种全新的方法,但近年来人们对这一话题的兴趣明显高涨。 嗯,已经有很多尝试,但我不知道他们成功的公开结果。最简单的方法是将单个神经元的输出视为[-1.0;1.0]范围内卖出/买入的概率,但没有什么好结果,应用阈值也无济于事。 另外,神经元输出的分布也可以作为概率来应用,但我还没见过有人这么做。例如,对于训练期间网络输出神经元的相同卖出/买入信号,其值的分布可能大不相同,因此在 OOS 时的表现也会不同。 此外,我很早以前就展示过训练图和 OOS 上的行为图,在这些图中,线没有断开,当然也没有扩散,输入是来自不同时间框架的简单 mashka 增量,非常简单。在这里,一些天才突然得出了一个 "绝妙 "的结论,即价差会影响 OOS 上的行为。 Aleksey Nikolayev 2023.12.25 12:34 #33574 Andrey Dik #:嗯,有过很多尝试,但我不知道他们成功的公开结果。最简单的做法是将单个神经元的输出视为[-1.0;1.0]范围内的卖出/买入概率,但结果并不理想,应用阈值也无济于事。还有一点,你可以将神经元输出的分布作为一种概率,但我还没见过有人这么做。例如,在训练过程中,如果网络输出神经元的卖出/买入信号相同,其值的分布可能会有很大不同,因此在 OOS 上的表现也会不同。此外,我很早以前就展示过训练图和 OOS 上的行为图,在这些图中,线没有断开,当然也没有扩散,输入是来自不同时间框架的简单 mashka 增量,非常简单。在这里,一些天才突然得出了一个 "绝妙 "的结论:差价会影响 OOS 上的行为。 不过,分类是一个相对简单的特例,其中输出的分布是离散的,因此一切都相对容易简化为通常的 "点"、数值 MO 问题。 如果采用更广泛的方法,输出不是一个数字,而是任何(当然是在合理范围内)分布的模型,那就很有意思了。例如,可靠性理论(研究寿命分布)或概率天气预报(例如,构建可能降水量的概率分布)中使用的数学模型。 Andrey Dik 2023.12.25 12:43 #33575 Aleksey Nikolayev #:...一种更广泛的方法也很有趣,其模型的输出不是一个数字,而是任何(当然是在合理范围内的)分布。例如,可靠性理论(研究寿命分布)或概率天气预报(构建可能降雨量的概率分布)中使用的方法。这就是我刚才所说的,尝试使用分布而不是输出值本身作为分类器。 Maxim Dmitrievsky 2023.12.25 13:52 #33576 概率是从已经训练好的模型中推导出来的。否则,为什么要教它概率?如果概率已知,为什么还要训练它?回归模型中用于估计区间的分布矩?不,你没听说过?你用它们做过很多预测吗?怎么,20 年前你什么都知道却不好意思说?要摆脱阶段的过度优化,时间还真长。真可悲,20 年... Andrey Dik 2023.12.25 14:01 #33577 在训练过程中形成概率分布,而不是在训练之后。 而在训练之后,做任何事情又有什么意义呢?一个假想的机器傻瓜,如果在训练后用螺丝刀拨弄他,他就不会获得新的知识。 СанСаныч Фоменко 2023.12.25 16:13 #33578 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。给出了解决方案。 你是如何找到像卡尔波夫这样的白痴的? 他的脑子一团糟他无法进行连贯的思考让人毛骨悚然 从一开始他就说分类器不能给出概率如果不使用分类器给出的概率 你又能从哪里得到概率呢? Maxim Dmitrievsky 2023.12.25 16:15 #33579 СанСаныч Фоменко #:你是怎么找到像卡尔波夫这样的白痴的?他的脑子一团糟他无法进行连贯的思考这只是令人毛骨悚然! 你也被邀请去英国工作吗?) 他根本不在乎,他做得很好。 不懂重点!=搞错了。这些人的形成略有不同,这可能就是问题所在。 很显然,这个话题需要新鲜血液已经很久了。我也已经是个老顽固了。当然,如果论坛最后没有发霉的话,新的血液会出现的。 最糟糕的是,我知道随着年龄的增长,大脑会发生哪些变化,为什么人们会这样推理,而不是那样。这种显而易见的道理有时很搞笑,但却无法回避。 СанСаныч Фоменко 2023.12.25 18:43 #33580 Maxim Dmitrievsky #:你的粥也被邀请去英国工作了吗?)他根本不在乎,他做得很好。不明白!=不对症下药。这些人的形成略有不同,这可能就是问题所在。很显然,这个话题需要新鲜血液已经很久了。我也已经是个老顽固了。当然,如果论坛最后没有发霉的话,新的血液就会出现。最糟糕的是,我知道随着年龄的增长,大脑会发生哪些变化,为什么人们会这样推理,而不是那样。这种显而易见的道理有时很搞笑,但却无法回避。 这和英国有什么关系? 你似乎是一个合格的人,但你却总是被拖进垃圾桶。 你很少论功行赏.... 1...335133523353335433553356335733583359336033613362336333643365...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
在 Porksaurus、Matemat、Granite 和 Metadriver 的时代就讨论过这个话题,那是很久以前的事了。
我没见过这个话题,也许是我错过了(我以前读 Cyberpawk 比较多)。这是关于产生概率分布输出而非具体数值的模型。不能说这是一种全新的方法,但近年来人们对这一话题的兴趣明显高涨。
嗯,已经有很多尝试,但我不知道他们成功的公开结果。最简单的方法是将单个神经元的输出视为[-1.0;1.0]范围内卖出/买入的概率,但没有什么好结果,应用阈值也无济于事。
另外,神经元输出的分布也可以作为概率来应用,但我还没见过有人这么做。例如,对于训练期间网络输出神经元的相同卖出/买入信号,其值的分布可能大不相同,因此在 OOS 时的表现也会不同。
此外,我很早以前就展示过训练图和 OOS 上的行为图,在这些图中,线没有断开,当然也没有扩散,输入是来自不同时间框架的简单 mashka 增量,非常简单。在这里,一些天才突然得出了一个 "绝妙 "的结论,即价差会影响 OOS 上的行为。
嗯,有过很多尝试,但我不知道他们成功的公开结果。最简单的做法是将单个神经元的输出视为[-1.0;1.0]范围内的卖出/买入概率,但结果并不理想,应用阈值也无济于事。
还有一点,你可以将神经元输出的分布作为一种概率,但我还没见过有人这么做。例如,在训练过程中,如果网络输出神经元的卖出/买入信号相同,其值的分布可能会有很大不同,因此在 OOS 上的表现也会不同。
此外,我很早以前就展示过训练图和 OOS 上的行为图,在这些图中,线没有断开,当然也没有扩散,输入是来自不同时间框架的简单 mashka 增量,非常简单。在这里,一些天才突然得出了一个 "绝妙 "的结论:差价会影响 OOS 上的行为。
不过,分类是一个相对简单的特例,其中输出的分布是离散的,因此一切都相对容易简化为通常的 "点"、数值 MO 问题。
如果采用更广泛的方法,输出不是一个数字,而是任何(当然是在合理范围内)分布的模型,那就很有意思了。例如,可靠性理论(研究寿命分布)或概率天气预报(例如,构建可能降水量的概率分布)中使用的数学模型。
...
一种更广泛的方法也很有趣,其模型的输出不是一个数字,而是任何(当然是在合理范围内的)分布。例如,可靠性理论(研究寿命分布)或概率天气预报(构建可能降雨量的概率分布)中使用的方法。
在训练过程中形成概率分布,而不是在训练之后。
而在训练之后,做任何事情又有什么意义呢?一个假想的机器傻瓜,如果在训练后用螺丝刀拨弄他,他就不会获得新的知识。
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。
给出了解决方案。
你是如何找到像卡尔波夫这样的白痴的?
他的脑子一团糟他无法进行连贯的思考让人毛骨悚然
从一开始他就说分类器不能给出概率如果不使用分类器给出的概率 你又能从哪里得到概率呢?
你是怎么找到像卡尔波夫这样的白痴的?
他的脑子一团糟他无法进行连贯的思考这只是令人毛骨悚然!
你也被邀请去英国工作吗?)
他根本不在乎,他做得很好。
不懂重点!=搞错了。这些人的形成略有不同,这可能就是问题所在。
很显然,这个话题需要新鲜血液已经很久了。我也已经是个老顽固了。当然,如果论坛最后没有发霉的话,新的血液会出现的。
最糟糕的是,我知道随着年龄的增长,大脑会发生哪些变化,为什么人们会这样推理,而不是那样。这种显而易见的道理有时很搞笑,但却无法回避。
你的粥也被邀请去英国工作了吗?)
他根本不在乎,他做得很好。
不明白!=不对症下药。这些人的形成略有不同,这可能就是问题所在。
很显然,这个话题需要新鲜血液已经很久了。我也已经是个老顽固了。当然,如果论坛最后没有发霉的话,新的血液就会出现。
最糟糕的是,我知道随着年龄的增长,大脑会发生哪些变化,为什么人们会这样推理,而不是那样。这种显而易见的道理有时很搞笑,但却无法回避。
这和英国有什么关系?
你似乎是一个合格的人,但你却总是被拖进垃圾桶。
你很少论功行赏....