NOT STATIONARY是一个平稳变化的数值，只要有一个柱子关闭，它就开始慢慢飘走。而酒吧在历史上越走越远，这种臭名昭著的STATIONARY价值（某种混乱或虚无缥缈的价值的象征，改变了市场的总体情况）也就越走越远，所以，如果我们教授分类的模型，我们会得到这种价值直接取决于模型的质量。模型越老，其质量水平越低，根据这个非常不固定的变化。我们的目标是建立这样一个模型，它可以工作足够长的时间，你可以从中获得几个点：-)
Курс "Машинное обучение" является одним из основных курсов Школы, поэтому он является обязательным для всех студентов ШАД. Лектор: Константин Вячеславович Во...
这是查找alym参数的代码，你可以在atcha帖子的链接中找到它。我对第一个帖子进行了一些修正，用一个正常的例子代替了第一个比较不成功的例子。
auto.arima函数自己寻找合适的p d q P D Q参数
ts(DT$value[trainIndexes],frequency=48) # 数据被转换为来自预测包的某种格式，主要是指定频率，否则季节性将不被使用
seasonal.test = "OCSB" # 谷歌说它更好，我不确定
stepwise = FALSE #false可以进行更全面的搜索。默认值为true，这意味着搜索可能会卡在局部最小值而停止。
max.q =48 #搜索中q的最大值。默认值==5，对于这个数据是低的。
max.order = 48+5 # max sum p+q+P+Q. 默认值==5，对这个数据来说不够。
这个函数会花很长时间，但最终应该会检索到与我使用的相同的参数，甚至可能找到更好的参数。
我没有等待这个函数来寻找一切，我只是凭直觉选择了正确的参数。数据是有趋势的，所以P=1，P=1。而图中显示盛行期为24和48，所以Q=24，而Q=48/频率=1
我无法再将336期插入arim，它需要第二个季节性，预测包不知道如何做。
已经知道参数p d q P D Q的有马是这样创建的。
季节性实际上不是(1,0,1)，而是(1,0,48)，因为Q在某种程度上是由以下因素主导的
讨论阿里马而不分析ARCH上的残留物是完全空洞的做法。有一些系列在进行ARCH模拟后有一个静止的残差。但在假设是静止的情况下讨论预测误差并不严重。这种残留物的面性极强。
这是查找alym参数的代码，你可以在atcha帖子的链接中找到它。我对第一个帖子进行了一些修正，用一个正常的例子代替了第一个比较不成功的例子。
函数auto.arima自己搜索合适的p d q P D Q参数
ts(DT$value[trainIndexes],frequency=48) # 数据被转换为来自预测包的某种格式，主要是指定频率，否则季节性将不被使用
seasonal.test = "OCSB" # 谷歌说它更好，我不确定
stepwise = FALSE #false可以进行更全面的搜索。默认值为true，这意味着搜索可能会卡在局部最小值而停止。
max.q =48 #搜索中q的最大值。默认值==5，对于这个数据是低的。
max.order = 48+5 # max sum p+q+P+Q. 默认值==5，对这个数据来说不够。
这个函数会花很长时间，但最终应该会检索到与我所用的相同的参数，甚至可能找到更好的参数。
我没有等待这个函数来寻找一切，我只是凭直觉选择了正确的参数。数据是有趋势的，所以P=1，P=1。而图中显示盛行期为24和48，所以Q=24，而Q=48/频率=1
我不能再在arim中插入周期336，为此我需要第二个季节性，套餐预测不能这样做。
已经知道参数p d q P D Q的有马是这样创建的。
季节性实际上不是(1,0,1)，而是(1,0,48)，因为Q是由频率主导的。
是的，我同意，只是这个数据是非常循环和简单的，所以阿里马的工作没有问题。如果我把eurusd m30粘贴到相同的代码中，模型将不会进入新数据的价格尖峰。这是个奇怪的桌子。
尽管如此。
比较系数值与平均数，除少数情况外，超过10%。由于某些原因，我没有看到通过t的估计，但正面看，这10%意味着。
关于系数估计的空洞假设：系数不显著的概率。超过10%的偏差表示所有这些系数都不显著，也就是说，你没有回归方程。
PS。
通常情况下，那些 显著的 系数会用星号标记。由于系数并不显著，所有其他数字都只是数字而已。
hist(residuals(arimaModel), breaks= 100)系数不显著的原因是左边的尾巴比右边的尾巴要粗。
有一些测试可以让你定量地发现问题，而不是靠眼睛，并拿起工具来解决这些问题。
结论。
ARIMA模型不适用于所使用的时间序列。
在市场上，任何分类器都要重新训练，因为市场不是静止的。如果我们想让它不过度学习，我们就必须在整个历史上教给它NS。否则，总是会出现市场周期发生变化，模型被破坏的情况。唯一明智的做法是在交易过程中进行过度训练或再训练 :) 我们不相信在没有任何干预的情况下，在15年的历史中稳定地提供1000%的月利润的卷轴。
总的来说，我仍然没有看到这种优势--在外汇中过度训练的NM是什么。是在测试样本上没有赚到钱的时候吗？ nah nah...不不不...这是关于非平稳性。如果你不知道如何检查它，它就不实际，不现实。
在这里你说得很对，当你不知道这个概念本身时，你怎么能谈论再培训呢????。你说的重新训练的NS是什么意思？让我们各自抛出自己的看法，我先说。
1.NS在新的数据上不能很好地工作。言下之意，它并不一致地分割信号，正确与否并不重要，重要的是将坏事与好事分开的稳定性....。它可以持续排水（模型倒置），但把坏的和好的分开的事实本身就在它的表面。
2.该模型在不到一半的训练区间内表现良好。这种方法的含义是，一个训练有素的模型应该运行50%以上的训练区间。
3.新数据的平衡曲线有急剧的起伏（随机模型在特定的时间段内起作用，由于1-2个大的交易而导致盈利，但总的来说是沉没的。）
而关于分类的问题，我的答案是这样的。
NOT STATIONARY是一个平稳变化的数值，只要有一个柱子关闭，它就开始慢慢飘走。而酒吧在历史上越走越远，这种臭名昭著的STATIONARY价值（某种混乱或虚无缥缈的价值的象征，改变了市场的总体情况）也就越走越远，所以，如果我们教授分类的模型，我们会得到这种价值直接取决于模型的质量。模型越老，其质量水平越低，根据这个非常不固定的变化。我们的目标是建立这样一个模型，它可以工作足够长的时间，你可以从中获得几个点：-)
你说的 "重新培训 "NS是什么意思？
用于训练的数据，特别是在外汇领域，通常是有噪音的，通过训练模型到100%的准确度，我们教它在重现噪音的同时也重现预期的结果。我们需要在NS开始正确预测结果的时候停止训练，但不要开始把正确的答案和噪音一起记住。用我自己的话说。在科学上，https://ru.wikipedia.org/wiki/Переобучение。
https://commons.wikimedia.org/wiki/File:Overfitting.svg
这里有一个很好的说明。两种模式。
第一条（大厅线）以100%的准确率学习了这个数据。通过眼睛，我们可以看到，红色和蓝色空间边界上的许多点都有些偏移（噪音），事实上，这两个空间的边界不应该是一条断线，而是某种平均线。
第一个模型被重新训练。
而有第二个模型（黑线），忽略了噪音，显然从意义上划分了平面。
用于训练的数据，特别是在外汇领域，通常是有噪音的，通过训练模型到100%的准确度，我们教它在重现噪音的同时也重现预期的结果。我们需要在NS开始正确预测结果的时候停止训练，但不要开始把正确的答案和噪音一起记住。用我自己的话说。在科学上，https://ru.wikipedia.org/wiki/Переобучение。
https://commons.wikimedia.org/wiki/File:Overfitting.svg
这里有一个相当好的说明。两种模式。
第一条（大厅线）以100%的准确率学习了这个数据。通过眼睛，我们可以看到，红色和蓝色空间边界的许多点都稍微向旁边移动（噪音），事实上，这两个空间的边界不应该是一条断线，而是某种平均线。
第一个模型被重新训练。
而有第二个模型（黑线），忽略了噪音，显然从意义上划分了平面。
有时大脑开始崩溃......关于外汇中的噪音，它不是一个无线电信号，对吗？为什么外汇中会有噪音？如果迈克尔的模型每月进行30-50次交易，每天1-2次，是交易噪音还是什么？不知为何，这个定义在这里并不合适 :)
外汇中的过度学习是关于错误分类的（时间）模式。但外汇中没有其他模式，所以任何模式都会在某种程度上过度训练
p.s. 所以你需要做仪器分类，挑选目前最持久的BP，如上涨的股票或指数。
全部 true!!!!但过度训练也有一个数学上的解释......
在用教师训练时，我们试图减少网络在训练集上的误差。而如果我们处理的是实数，这种误差减少可以是无限的。但是，有一个时刻，即使在测试集上，减少误差也会导致模型的退化。由此，我们可以得出以下结论
理论上，每个数据集都有绝对学习，这是误差尺度上的某条线，在这条线上，0.00000000000000000001的模型不被重新训练，0.000000000000009的模型被重新训练，用物理学术语来说，这是一种 "绝对零度"。所有误差在此点右侧的模型都被认为是未学习的，左侧的模型则相应地是过度学习的。让我提醒一下，这只是我个人理解的一个理论。
这是对特定数据集的某种理想模型。
任何人工智能的任务都是尽可能地接近绝对可学性，但不要超越它。IMHO。
这个理论假设它不是一个点，而是一个充分训练和过度训练的模型领域。一个混合区，规模不够大。只是...imagine......为什么？这是我通过观察确定的。
总之，人工智能要做的第一件事是确保它击中那个过渡区。但事情是这样的......
如果你固定地划分样本，那么很可能是过度训练边界的某个特定值（最有可能），如果每次都随机划分样本，那么就是OVER....。transient....IMHO
如果人工智能不能保证来到那个区域，那么它就没有做对。另一件事是，它将停止哪种模式!!!!。
我是通过使用JPrediction得到这一切的。
开始训练同一个文件，考虑到随机抽样，我得到了10个不同的训练结果，最差的是75%，最好的是85%的泛化率（我们现在采用的是优化器的数字，对或错并不重要，现在......作为一个例子....）。因此，我们可以假设，我们有一个在75和85之间的区域，其中包含了无限多的模型变体，一个神经网络。作为一项规则，我选择80-82左右的平均值，然后你可以遇到这样的模型，在OOS上会很弱。因为确定终极多项式并不是一件简单的事情。
这里有一个视频，从35分钟开始看，他在那里谈到了....。
https://www.youtube.com/watch?v=qLBkB4sMztk
这里是视频，从第35分钟开始看，他谈到了....
https://www.youtube.com/watch?v=qLBkB4sMztk
是的，我以前见过这个人，我会再看一遍的，谢谢）。
如果你不理解它的数学意义，而是真正的意义--外汇中的过度训练NS具有完全不同的意义，而且无法从这种过度训练中逃脱:)这就是为什么要么僵硬的分类和搜索趋势工具，要么永久地重新训练适应性NS，但根据什么标准 - 这是一个创造性的问题。
是的，我以前见过那个人，我会再见到他的，谢谢）。
数学上的含义很清楚，但真正的含义--什么是外汇中的过度训练NS有完全不同的含义，而且这种过度训练是无法摆脱的:)这就是我们需要对趋势工具进行严格的分类和搜索，或者是永久性的重新训练的适应性NS的原因，但根据什么标准--这里是一个创造性的问题。
不过，真正的重点是这个。如果在测试部分有一个不好的分叉，分叉是否正确并不重要，重要的是分叉很弱。而模型的工作时间不超过训练间隔的50%，那么这样的模型被认为是过度训练....。IMHO