交易中的机器学习:理论、模型、实践和算法交易 - 页 3380 1...337333743375337633773378337933803381338233833384338533863387...3399 新评论 Aleksey Nikolayev 2024.01.11 09:58 #33791 在 MO 中,适度函数用于通过优化来训练模型(参数选择)。使用一个或多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。 与传统优化方法的另一个显著区别是,它通常没有固定的优化参数集。即使是常规树,情况也是如此。从数学角度看,这导致了函数空间中的优化问题,而不是通常的数值空间中的优化问题。 这两点使得 MO 问题无法还原为传统的优化问题。 Andrey Dik 2024.01.11 10:06 #33792 Aleksey Nikolayev #:在 MO 中,适度函数用于通过优化来训练模型(参数选择)。使用一个或多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。与传统优化方法的另一个显著区别是,MO 经常没有固定的优化参数集。即使对于一棵普通的树,情况也是如此。从数学角度看,这导致了一个函数空间的优化问题,而不是通常的数值空间优化问题。这两点使得 MO 问题无法还原为传统的优化问题。 有一整类独立的多标准优化算法。但是,如果理解得当,多重标准可以简化为附加边界条件和单独评估。 功能空间也需要评估。一切都需要评估。 fxsaber 2024.01.11 10:11 #33793 Aleksey Nikolayev #:在 MO 中,适度函数用于通过优化来训练模型(参数选择)。使用一个或多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。与传统优化方法的另一个显著区别是,MO 经常没有固定的优化参数集。即使是常规树,情况也是如此。从数学角度看,这导致了一个函数空间的优化问题,而不是通常的数值空间优化问题。这两点使得 MO 问题无法还原为传统的优化问题。 感谢您的详细解释。不过,提出 FF 这个话题还是有一定的背景的。就在这里。 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Maxim Dmitrievsky, 2024.01.10 19:27 通过对 OOS 的重新优化和检查可以发现:)这是最简单的狼式正向 OR 交叉验证的一个折叠案例。 Aleksey Nikolayev 2024.01.11 10:25 #33794 Andrey Dik #:多标准优化算法是一个完整的独立类别。但是,只要理解正确,多标准就可以简化为附加边界条件和单独评估。功能空间也需要评估。一切都需要评估。 我提到的功能是同时起作用的,而不是逐一起作用,所以我不知道你打算在功能空间中建立什么样的边界。 如果本主题的所有参与者都熟悉现代 MO 的基础知识,那将会更有帮助。SHAD 的教科书 将是一个不错的选择。 Учебник по машинному обучению education.yandex.ru Онлайн-учебник по машинному обучению от ШАД — для тех, кто не боится математики и хочет разобраться в технологиях ML. Andrey Dik 2024.01.11 10:29 #33795 Aleksey Nikolayev #:我提到的这些功能不是逐一起作用的,而是同时起作用的,所以我不知道你们要在功能空间中建立什么样的界限。 是的,我们说的是多功能空间中不同组件的同时工作。这两个部分可以在多功能空间中分别进行评价,也可以通过元评价或其他方式通过整体评价一起进行评价。两者互不干扰。MO 的任何阶段都需要进行评估,为此有许多特殊的衡量标准,最大化这些标准是优化的精髓。 mytarmailS 2024.01.11 10:31 #33796 Aleksey Nikolayev #:1) 在 MO 中,适度函数用于通过优化训练模型(参数选择)。使用一个或 多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。2) 与传统优化方法的另一个显著区别是,MO 经常没有固定的优化参数集。即使对于一棵普通的树,情况也是如此。从数学角度看,这导致了一个函数空间的优化问题,而不是通常的数值空间优化问题。这两点使得 MO 问题无法还原为传统的优化问题。 1) 矛盾是什么? 参数选择 == 优化算法中的参数搜索 模型度量估计 == 以阿库拉西估计为例的 FF。 你有什么不同意见? 2) 您能详细说明您认为问题出在哪里吗?例如,我不认为 Aleksey Nikolayev 2024.01.11 10:45 #33797 fxsaber #:谢谢你的详细解释。FF 话题的提出还是有一定背景的。就在这里。 我看到了您的问题,但我说不上来。 而且我对马克西姆的语言翻译得也不是很好)。 Aleksey Nikolayev 2024.01.11 10:46 #33798 Andrey Dik #:是的,我们说的是多功能空间中各个组成部分的同时工作。这两个部分可以在多功能空间中分别进行评估,也可以通过元评估或整体评估一起进行评估。两者互不干扰。MO 的任何阶段都需要进行评估,为此有许多特殊的指标,最大化这些指标是优化的精髓。 如果不难的话,请提供参考文献(文章、书籍)。 fxsaber 2024.01.11 10:52 #33799 Aleksey Nikolayev #:我看到了你的问题,但却无言以对。而且我也不擅长翻译马克西姆的语言)。 这与翻译无关。 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 fxsaber, 2024.01.10 19:43 假设我们做了 100 步--我们有 100 组输入。如果我们根据"每个输入等于 对应的 100 组输入的平均值 "的原则形成平均集,那么 这组输入不太可能顺利通过 整个初始区间。 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Maxim Dmitrievsky, 2024.01.10 19:46 如果没有, 从逻辑上讲, 根本就没有好的套路。就对未来的信心而言。 很明显,一百个套路都取决于 FF。 Machine learning in trading: Andrey Dik 2024.01.11 10:53 #33800 Aleksey Nikolayev #: 如果不难的话,请提供参考文献(文章、书籍)。 我在档案中保存了几百本关于神经网络、MO、优化、数学的书籍。我提供了档案的链接。几年来,每个人都可以在云中使用该档案,但现在我不支持该档案,带有该档案的云现在也不存在了。 A.P. Karpenko 有很多关于这些主题的书,Simon D. 的书也不错。 1...337333743375337633773378337933803381338233833384338533863387...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 MO 中,适度函数用于通过优化来训练模型(参数选择)。使用一个或多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。
与传统优化方法的另一个显著区别是,它通常没有固定的优化参数集。即使是常规树,情况也是如此。从数学角度看,这导致了函数空间中的优化问题,而不是通常的数值空间中的优化问题。
这两点使得 MO 问题无法还原为传统的优化问题。
在 MO 中,适度函数用于通过优化来训练模型(参数选择)。使用一个或多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。
与传统优化方法的另一个显著区别是,MO 经常没有固定的优化参数集。即使对于一棵普通的树,情况也是如此。从数学角度看,这导致了一个函数空间的优化问题,而不是通常的数值空间优化问题。
这两点使得 MO 问题无法还原为传统的优化问题。
有一整类独立的多标准优化算法。但是,如果理解得当,多重标准可以简化为附加边界条件和单独评估。
功能空间也需要评估。一切都需要评估。
在 MO 中,适度函数用于通过优化来训练模型(参数选择)。使用一个或多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。
与传统优化方法的另一个显著区别是,MO 经常没有固定的优化参数集。即使是常规树,情况也是如此。从数学角度看,这导致了一个函数空间的优化问题,而不是通常的数值空间优化问题。
这两点使得 MO 问题无法还原为传统的优化问题。
感谢您的详细解释。不过,提出 FF 这个话题还是有一定的背景的。就在这里。
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
Maxim Dmitrievsky, 2024.01.10 19:27
通过对 OOS 的重新优化和检查可以发现:)这是最简单的狼式正向 OR 交叉验证的一个折叠案例。多标准优化算法是一个完整的独立类别。但是,只要理解正确,多标准就可以简化为附加边界条件和单独评估。
功能空间也需要评估。一切都需要评估。
我提到的功能是同时起作用的,而不是逐一起作用,所以我不知道你打算在功能空间中建立什么样的边界。
如果本主题的所有参与者都熟悉现代 MO 的基础知识,那将会更有帮助。SHAD 的教科书 将是一个不错的选择。
我提到的这些功能不是逐一起作用的,而是同时起作用的,所以我不知道你们要在功能空间中建立什么样的界限。
是的,我们说的是多功能空间中不同组件的同时工作。这两个部分可以在多功能空间中分别进行评价,也可以通过元评价或其他方式通过整体评价一起进行评价。两者互不干扰。MO 的任何阶段都需要进行评估,为此有许多特殊的衡量标准,最大化这些标准是优化的精髓。
1) 在 MO 中,适度函数用于通过优化训练模型(参数选择)。使用一个或 多个指标来评估生成的模型。通常情况下,度量标准与适应度函数并不匹配。从数学角度看,这意味着 MO 解决的是一个多元优化问题,而不是通常的单一标准问题。
2) 与传统优化方法的另一个显著区别是,MO 经常没有固定的优化参数集。即使对于一棵普通的树,情况也是如此。从数学角度看,这导致了一个函数空间的优化问题,而不是通常的数值空间优化问题。
这两点使得 MO 问题无法还原为传统的优化问题。
1)
矛盾是什么?
参数选择 == 优化算法中的参数搜索
模型度量估计 == 以阿库拉西估计为例的 FF。
你有什么不同意见?
2)
您能详细说明您认为问题出在哪里吗?例如,我不认为
谢谢你的详细解释。FF 话题的提出还是有一定背景的。就在这里。
我看到了您的问题,但我说不上来。
而且我对马克西姆的语言翻译得也不是很好)。
是的,我们说的是多功能空间中各个组成部分的同时工作。这两个部分可以在多功能空间中分别进行评估,也可以通过元评估或整体评估一起进行评估。两者互不干扰。MO 的任何阶段都需要进行评估,为此有许多特殊的指标,最大化这些指标是优化的精髓。
我看到了你的问题,但却无言以对。
而且我也不擅长翻译马克西姆的语言)。
这与翻译无关。
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
fxsaber, 2024.01.10 19:43
假设我们做了 100 步--我们有 100 组输入。如果我们根据"每个输入等于 对应的 100 组输入的平均值 "的原则形成平均集,那么 这组输入不太可能顺利通过 整个初始区间。
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
Maxim Dmitrievsky, 2024.01.10 19:46
如果没有, 从逻辑上讲, 根本就没有好的套路。就对未来的信心而言。很明显,一百个套路都取决于 FF。
如果不难的话,请提供参考文献(文章、书籍)。
我在档案中保存了几百本关于神经网络、MO、优化、数学的书籍。我提供了档案的链接。几年来,每个人都可以在云中使用该档案,但现在我不支持该档案,带有该档案的云现在也不存在了。
A.P. Karpenko 有很多关于这些主题的书,Simon D. 的书也不错。