再培训 - 页 3

新评论
 
Nikkk:

你别忘了，只是把对训练发生地的记忆转化为对该地训练结果的记忆。

学习的结果是变量的具体数值。变量越多，它们将从其指标钟楼上更准确地描述历史图表的特殊性，也就是说，我们的EA的记忆将变得更加具体。问题是，市场不是特定的，而是多样化的。变量往往描述的根本不是市场，而只是指标与特定领域的成功互动，但仅此而已。为了使全部指标获得预测特性，一个训练是不够的，我们需要指标的有效互动。如果在理想情况下，这些指标是平衡的，并在不同的历史范围内相互控制和控制市场的不同方面，那么它们就不会有过度学习的危险。
 
Aliaksandr Hryshyn:

如果这种捅破的方法是自动的呢！？这个方向的想法很有意思。指标在变化，它们的相互作用也在变化，相互作用被表示为独立的函数，事实证明，参数的数量可以改变，只有最简单的优化由它们发生。这就是为什么我对这个主题中提出的问题感兴趣，一个更普遍的方法，这将不取决于战略参数。你所提议的分支有完全不同的目标。但如果你展示了这些方法对手头任务的适用性，请你展示。

测试员有两个相互关联但根本上是定性的功能。

1.验证（调试）TC想法本身。我们看看输入-输出是否符合我们对此的想法。

2.选择TS的参数，其中我们的TS思想是固定的。

在此之后，没有什么可以改变，因为在这些阶段成功的情况下，我们把TS放在真正的和开始交易。

而这里的主要问题是：真实交易的表现会和训练时一样吗？

在这里和平行线中，有人提出了这个问题。

如果我们在真实交易中获得了不同的结果，那么这就叫做再训练，也就是说，在创建TS的过程中，我们捕捉到了训练模型上的一些细节，而在真实交易中我们并没有看到这些细节。在一个平行的主题中，我认为重新训练的问题完全可以通过正确选择输入数据的列表来解决，在TA中，它是一组指标。我还认为，我们可以在创建TS本身之前确定所选的一套指标是否对这个TS有用。而当我们解决了这个问题后，就会出现pp。1 и 2.

 
Youri Tarshecki:
如果在理想情况下，指标是平衡的，并在不同的历史范围内相互控制和控制市场的不同方面，那么它们就不会有过度学习的危险。
这是个幻觉
 
<br / translate="no">。

如果我们在真实交易中得到不同的结果，这就是所谓的过度训练，也就是说，在创建TS时，它在训练商数上捡到了一些真实交易中没有的具体内容。

这只是更像训练不足。-)

在我看来，人们必须区分系统识别模式的能力和这种能力可能陷入的优化陷阱。优化陷阱是一个更广泛的概念，包括过度优化和欠优化，以及代码编写过程本身的惯性，人为因素和其他许多东西。但是，恐怕作者指的是简单的事实，即EA正在失去，仅此而已......。

换句话说，他的问题应该是 "如何避免优化的陷阱"。

这里有两个人在建议他--在前锋上检查，也就是在非优化区域检查，生活会变得更好。

如果你在写代码之前就能决定这个指标是否有用，那就太好了！如果你在写代码之前就能决定这个指标是否有用。在这种情况下，你没有必要进行测试。-)

 
СанСаныч Фоменко:
这是个幻觉。

那么，所有的生物体都是一种幻觉。这正是它们的建造方式。他们有遗传、长期和操作性的记忆，他们一直在学习。但我们不会说--可怜的人类--过度学习到了外汇)。

 
Youri Tarshecki:

那么，所有的生物体都是一种幻觉。这正是它们的建造方式。他们有遗传、长期和操作性的记忆，他们一直在学习。但我们不会说--可怜的人类--过度学习到了外汇--)

我不是在这里讨论哲学问题。如果你有相当具体的东西，那么我准备讨论
 
Youri Tarshecki:
"再培训 "这个词本身就很愚蠢，旨在为EA本身的不可操作性进行辩解，而且与volking forward完全没有意义。一个变量是过度训练还是训练不足，实际上从退化中并不明显。只有在不同的优化和测试条件下比较 正向结果时，才能看出这一点。历史深度和前进步骤都是在每个案例中亲自选择的，我们已经可以看到什么是太深，什么是不 深。
这个词并不愚蠢，而是已经确立，并得到了整个科学界 "最好的养狗人 "的认可，包括市场算法师。你关于选择深度、间距和其他 "侧面 "参数的想法让我们回到了以前的问题，即它们的选择质量（和可能的再培训）。因此，在任何情况下，我们都不能不对前锋进行分析。而有必要为不同的部分进行分析的事实，从一开始就很清楚。
 
Youri Tarshecki:
再培训 "这个词本身就很愚蠢，旨在为EA本身的不可操作性进行辩护，而且在volking-forward时完全失去了其意义。事实上，一个变量是过度学习还是学习不足，从退化中是不明显的。只有在不同的优化和测试条件下比较 正向结果时，才能看出这一点。在每个案例中，都会亲自选择历史深度和前进步骤，然后就可以看到什么是过度 训练，什么是训练不足。

是的，当人们开始了解整个事件时，就会怀疑 "再培训 "一词是否足够，并理解其不足之处。在第四论坛上曾讨论过这个问题，还有人可以讨论。他们得出的结论是，"死记硬背 "或 "死记硬背 "这个词更合适。专家顾问就像一个勤奋的学生，他背诵了课程，但什么都不懂，不能在其他条件下应用他的知识。

在这里，甚至这个词也被一些人误解了。原来有人把它理解为 "重新学习"--很有趣。

而且，这个词在某些科学界已经定型的事实并不意味着什么，有很多泥沙俱下但已经定型的术语，科学完全是由不反映现实的术语组成的，其真正的含义只有狭隘的 "专用 "圈子才明白。

 
СанСаныч Фоменко:

在平行线中，我认为重新训练的问题完全可以通过正确选择输入数据的清单来解决，在TA--一组指标。我还认为，我们可以在创建TS本身之前确定所选的一套指标是否对这个TS有用。而当我们解决了这个问题后，就会出现pp。1 и 2.

你一定是忽略了问题的含义。这是一种自动搜索策略。最终的策略可能只使用从某一组中选出的几个指标。它可能不是所有的功能都是可用的。最终，我们得到了一个由导向图表示的结构，在这个结构中，进入 或退出市场 的条件，采取和停止都被计算出来。图形元素是函数、指标和常数（参数）。每个可以形成图的元素都有几组与其他图元素互动的规则，是控制图中某些 "有意义 "的计算所必需的。

对寻找策略有什么想法吗？

 
Stanislav Korotky:
这个词并不傻，而是已经确立，并得到了整个科学界 "最好的养狗人 "的认可，包括市场算法师们。你关于选择深度、间距和其他 "侧面 "参数的想法让我们回到了以前的问题，即它们的选择质量（和可能的再培训）。因此，在任何情况下，我们都不能不对前锋进行分析。而有必要为不同的部分进行分析的事实，从一开始就很清楚。

那么，告诉我，你如何决定一个前锋是训练过度还是训练不足。过度训练的退化方式是否与训练不足的退化方式不同？

确定训练条件的质量的唯一方法是看到相应的样本外测试的质量。而只有通过比较结果，你才能知道是优化过度还是优化不足。但我没有看到任何地方有处理优化不足的主题。由于某种原因，每个人都认为问题的根源在于神话般的过度优化而不是代码质量。

1234567
新评论