贝叶斯回归 - 有没有人用这种算法做了一个EA？ - 页 41

新评论
 
Vizard_:
就这样，慢慢地，我们来到了改造这个迷人的主题))))，因为如果没有正态分布，你可以制造一个。
这将需要很长的时间，因为你既需要重新转变，也需要...而Box-Cox并不真正喜欢它))))只是遗憾的是，如果你没有
只是遗憾的是，如果你没有好的预测因素，对最终结果不会有太大影响......

首先，我希望在 "信徒 "的眼中看到一丝理解。然后，是的，如果有必要，可以转换。粗大的尾巴是否能被转化，这是一个问题。它们可以对质量产生很大的影响。

 
Alexey Burnakov:

首先，我希望在 "信徒 "的眼中看到一丝理解。然后，是的，如果有必要，可以转换。粗大的尾巴是否能被转化，这是一个问题。它们会对质量产生很大影响。

有厚尾巴的回归，从记忆中FARIMA。

但回到增量的大小上。

我们在交易什么？在1点钟方向相对于前一栏的7个点的增量？我不是很理解。谁能给我指点一下？

增量可以被交易，更准确地说，是波动率，但相对于一些静止的系列--这被称为协整。

 
我希望有人能认真考虑这些投入 )
 
СанСаныч Фоменко:

有厚尾巴的回归，从记忆中FARIMA。

但回到增量的大小上。

我们在交易什么？在小时标记上相对于前一栏增加7点？我不是很理解。谁能给我指点一下？

增量可以被交易，更准确地说，是波动率，但相对于一些静止的系列--这被称为协整。

如果不做增量交易，你又做什么交易呢？
 
Комбинатор:
我希望有人能认真考虑输入数据 )

我想。认真地 )

首先，我产生了我能想到的尽可能多的输入。然后我选择与某一特定目标变量最相关的，并将其他的扔掉。这似乎有帮助，但这取决于训练方法。

在我进行的实验中，我做了以下工作。首先，我想好了系统需要看到什么信息。但这都是主观的。我在训练前也挑选了信息量大的预测器，但它是有效的。

train_set <- dat_train_final[, c(eval(inputs), eval(outputs[targets]))]
        test_set <- dat_test_final[, c(eval(inputs), eval(outputs[targets]))]
        
        input_eval <- gbm(train_set[, 109] ~ .
                       , data = train_set[, 1:108]
                       , distribution = "laplace"
                       , n.trees = 100
                       , interaction.depth = 10
                       , n.minobsinnode = 100
                       , bag.fraction = 0.9
                       , shrinkage = 0.01
                       , verbose = T
                       , n.cores = 4)
        
        best_inputs <- as.character(summary(input_eval)[[1]][1:10])
        
        train_set <- dat_train_final[, c(eval(best_inputs), eval(outputs[targets]))]
        test_set <- dat_test_final[, c(eval(best_inputs), eval(outputs[targets]))]

我评论一下。首先，我用所有可用的预测因子在一个弱的、没有重新训练的模型上进行训练。重要的是，该模型没有时间重新训练。然后我取了最重要的前10个。

这不仅没有使结果变成噪音，而且还使训练的速度加快了10倍。

这是看问题的一种方式。

 
Alexey Burnakov:
如果不是增量，你在交易什么？

趋势，其中多头和空头都有兴趣。

终端中的订单：买入，卖出。

 
Комбинатор:
我希望有人能认真考虑输入数据 )

只是想一想，我甚至提供了一项付费服务，用于清理分类模型的输入预测器集与噪声预测器。这就留下了一个不会产生过度训练的模型集。诚然，我们应该澄清：如果有什么遗留问题。有一件自相矛盾的事情：对于趋势交易来说，所有许多品种的混搭都是无望的。

在我处理过的这些套装中。

  • 将原来的预测因素清单减少3到5倍。

这就留下了20-25个可以在未来处理的预测因素

  • 从这组预测因子中，我在每个条形图上选择一些子集，通过标准的R
  • 仍有10-15个预测因子，在此基础上进行模型训练。
  • 有可能不使最后选择的预测器的近似条数 等于一个窗口，但该窗口在100之内

结果：模型没有被重新训练，即在训练、AOB和样本外的分类误差大致相等。

 
人，正常/正常的玉米 的孩子是一些。
 
两个平行的线程在讨论同一件事--为模型选择预测因子
 
СанСаныч Фоменко:

趋势，其中多头和空头都有兴趣。

终端中的订单：买入，卖出。

这也是!增量变成了+或-符号。而且你可以拿着这个牌子提前一小时进行增量。

问题是什么？

1...343536373839404142434445464748...55
新评论