试穿和实际模式之间的界限在哪里？ - 页 4 1234567891011...64 新评论 Andrey Dik 2011.01.20 09:34 #31 Reshetov: 答案是错误的。在训练NS的时候，我采取的是OOS的周期小于训练样本的周期。因为BP是非平稳的，如果你反其道而行之，你只会得到一个短样本拟合和一个非常值得怀疑的OOS的结果。 而且我也没有说OOS应该大于或等于训练样本。 我是说，随着OOS规模的减少，即随着优化相关性的增加，OOS本身的代表性也在减少。也就是说，你很快就会到达你正确提到的那个马鞍，在OOS太小的情况下，有一个非常不愉快的优化效果，在这种情况下，TC在OOS上得到了优化，但在训练样本上却没有--"反向学习"。 一如既往，黄金分割点在中间某处。:)而每个特定的TS的这个中间地带是在不同的地方。 简而言之，没有也不可能有关于OOS应该是什么规模的明确建议。你只能依靠你的直觉和经验。 VonDo Mix 2011.01.20 10:05 #32 二审庭审的配合... ;) Vladimir Paukas 2011.01.20 10:06 #33 Sorento: 二审庭审的配合... ;) :)不过，这真是一种信心的提升啊! VonDo Mix 2011.01.20 10:15 #34 paukas: :)不过，这也是一种信心的提升! 这就是问题所在--它变得越来越高... 不适龄。 ;) Лёха 2011.01.20 10:33 #35 Jingo: 拟合模式和真实模式之间的界限在哪里？ 纵观市场，我们看到可能存在的模式不可能是参数化的恒定。每个系统都有一个契合度和一个或多个事件的规律性水平。 而对第二层次的偏爱是对交易理念本身的合理性负责。 抽象地思考问题。其他人的想法将是有趣的。 它取决于许多因素，而主要的依赖是系统本身。比如说。 1.大样本--这总是好的，如果在连续6000次时，它能持续工作--为什么不多工作一些？ 2.一些预期特征的相关性--例如，一个事件对市场的影响是预期的，并被历史所证实--那么你可以考虑一个不是很大的样本，例如，大约100个事件，甚至更少。 3.参数与一些预期参数的匹配。原则上与第2项相同，但从另一个方面来看--例如对于趋势系统，成功交易的%%和平均利润与亏损的比率大约是清楚的。 以此类推。 最重要的是，不存在100%的工作方法。虽然，从工程的角度来看，有--它被称为 "多样化"。:) [删除] 2011.01.20 10:37 #36 Tantrik: 同样的地方--钟摆的地方......:o)......期待的笑声......但实际上，统计数字比其他很多人都要酷。只是体制强加的陈规陋习，让很多人无法走出自己走过的圈子。 这是一系列TA的教科书，一切从移动平均线开始......问题是，如果使用平均数据的整个方向是垃圾，为什么还要研究它们？ 它们最多只能显示现在。 我说的是嵌入MT的所有指标 :o)。也许除了 "之 "字形，这就像牛奶。那要去哪里呢？正如我们在Deribasovskaya说的那样...这就是我们所做的 :o)。 1008 paukas 20.01.2011 11:28 am Gerasimm。 .... 即5/95%不是为了更好的发展.... 请告诉我们，你从哪里得到这些统计数据？ 而这是一个汇编。我在一个TA交流学院教了两年的书，...大致60周，10-15人--约700人，其中在几年内我只看到20人，这并不意味着所有的人都能赚到。我是唯一挣钱的人:o)) VonDo Mix 2011.01.20 10:43 #37 Gerasimm: :o)......期待的笑声...... 而这是一个集合的东西。我在一个TA股票学院教了两年的书...大致60周的10-15人--约700人，其中几年后我只看到20人.而且这并不意味着所有的人都能赚到。我是唯一挣钱的人:o)) Nibora!你呢？ ;) Vladimir Paukas 2011.01.20 10:45 #38 而这是一个汇编。 我在一个TA学院教了两年的书。大致60周，10-15人--约700人，其中在几年内我只看到20人。 而且这并不意味着所有的人都能赚到。我是唯一挣钱的人:o)) 问题是，这种没有说明时间段和如何获得的声明是完全没有意义的。即使对教师也是如此。 而真正的统计数据，例如Rann发布的。但它也不是在客户身上，而是在账户上。 Yury Reshetov 2011.01.20 11:03 #39 joo: 而且我也没有说OOS应该大于或等于训练样本。 我是说，随着OOS规模的减少，即随着优化的相关性的增加，OOS本身的代表性也在减少。也就是说，你很快就会达到你正确提到的那个马鞍，当OOS太小的时候，有一个非常不愉快的优化效果，当TC对OOS进行优化，而不是对训练样本进行优化--"反向学习"。 一如既往，黄金分割点在中间某处。:)而每个特定的TS的这个中间地带是在不同的地方。 简而言之，没有也不可能有关于OOS应该多大的明确建议。你只能依靠你的直觉和经验。 这里不需要任何炫耀。使用神经网络数据包时的采样周期和OOS是根据经验选择的，对于特定的输入，它们不会被改变。也就是说，如果NS的输入是充分的，那么其他一切都只是技术问题，而不是直觉。 至于MT测试器，一切都更加复杂，因为如前所述，没有办法将苍蝇和小鸡分开，也就是说，优化的样本和前进的样本分开，而且几乎不可能抓住优化转变为拟合的时刻。确切地说，有可能手动中断优化，并向前运行逐渐增加的通行证数量以抓住时机，但考虑到优化时间可能相当长，而且每次都需要改变日期，那么对这种方法的兴趣就会大打折扣。 [删除] 2011.01.20 11:03 #40 Sorento: Nibora!你呢？ ;) 没有得到它... 1009 paukas 20.01.2011 12:45 a.m. 我在一个TA学院教了两年书。大致60周，10-15人--约700人，其中有几年我只看到20人。我是唯一挣钱的人:o)) 问题是，这种没有说明时间段和如何获得的声明是完全没有意义的。即使对教师也是如此。 而真正的统计数据，例如Rann发布的。但它也不是关于客户，而是关于账户。 我知道真正的统计数据。 你也知道，如果你在市场上做一些事情。特别是由于时期和方法都清楚地写在上面。 1234567891011...64 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
答案是错误的。在训练NS的时候，我采取的是OOS的周期小于训练样本的周期。因为BP是非平稳的，如果你反其道而行之，你只会得到一个短样本拟合和一个非常值得怀疑的OOS的结果。
而且我也没有说OOS应该大于或等于训练样本。
我是说，随着OOS规模的减少，即随着优化相关性的增加，OOS本身的代表性也在减少。也就是说，你很快就会到达你正确提到的那个马鞍，在OOS太小的情况下，有一个非常不愉快的优化效果，在这种情况下，TC在OOS上得到了优化，但在训练样本上却没有--"反向学习"。
一如既往，黄金分割点在中间某处。:)而每个特定的TS的这个中间地带是在不同的地方。
简而言之，没有也不可能有关于OOS应该是什么规模的明确建议。你只能依靠你的直觉和经验。
二审庭审的配合...
;)
二审庭审的配合...
;)
:)不过，这也是一种信心的提升!
这就是问题所在--它变得越来越高...
不适龄。
;)
拟合模式和真实模式之间的界限在哪里？
纵观市场，我们看到可能存在的模式不可能是参数化的恒定。每个系统都有一个契合度和一个或多个事件的规律性水平。
而对第二层次的偏爱是对交易理念本身的合理性负责。
抽象地思考问题。其他人的想法将是有趣的。
它取决于许多因素，而主要的依赖是系统本身。比如说。
1.大样本--这总是好的，如果在连续6000次时，它能持续工作--为什么不多工作一些？
2.一些预期特征的相关性--例如，一个事件对市场的影响是预期的，并被历史所证实--那么你可以考虑一个不是很大的样本，例如，大约100个事件，甚至更少。
3.参数与一些预期参数的匹配。原则上与第2项相同，但从另一个方面来看--例如对于趋势系统，成功交易的%%和平均利润与亏损的比率大约是清楚的。
以此类推。
最重要的是，不存在100%的工作方法。虽然，从工程的角度来看，有--它被称为 "多样化"。:)
同样的地方--钟摆的地方......
:o)......期待的笑声......但实际上，统计数字比其他很多人都要酷。只是体制强加的陈规陋习，让很多人无法走出自己走过的圈子。 这是一系列TA的教科书，一切从移动平均线开始......问题是，如果使用平均数据的整个方向是垃圾，为什么还要研究它们？ 它们最多只能显示现在。 我说的是嵌入MT的所有指标 :o)。也许除了 "之 "字形，这就像牛奶。那要去哪里呢？正如我们在Deribasovskaya说的那样...这就是我们所做的 :o)。
.... 即5/95%不是为了更好的发展....
请告诉我们，你从哪里得到这些统计数据？
而这是一个汇编。我在一个TA交流学院教了两年的书，...大致60周，10-15人--约700人，其中在几年内我只看到20人，这并不意味着所有的人都能赚到。我是唯一挣钱的人:o))
:o)......期待的笑声......
而这是一个集合的东西。我在一个TA股票学院教了两年的书...大致60周的10-15人--约700人，其中几年后我只看到20人.而且这并不意味着所有的人都能赚到。我是唯一挣钱的人:o))
Nibora!你呢？
;)
而这是一个汇编。 我在一个TA学院教了两年的书。大致60周，10-15人--约700人，其中在几年内我只看到20人。 而且这并不意味着所有的人都能赚到。我是唯一挣钱的人:o))
问题是，这种没有说明时间段和如何获得的声明是完全没有意义的。即使对教师也是如此。
而真正的统计数据，例如Rann发布的。但它也不是在客户身上，而是在账户上。
而且我也没有说OOS应该大于或等于训练样本。
我是说，随着OOS规模的减少，即随着优化的相关性的增加，OOS本身的代表性也在减少。也就是说，你很快就会达到你正确提到的那个马鞍，当OOS太小的时候，有一个非常不愉快的优化效果，当TC对OOS进行优化，而不是对训练样本进行优化--"反向学习"。
一如既往，黄金分割点在中间某处。:)而每个特定的TS的这个中间地带是在不同的地方。
简而言之，没有也不可能有关于OOS应该多大的明确建议。你只能依靠你的直觉和经验。
这里不需要任何炫耀。使用神经网络数据包时的采样周期和OOS是根据经验选择的，对于特定的输入，它们不会被改变。也就是说，如果NS的输入是充分的，那么其他一切都只是技术问题，而不是直觉。
至于MT测试器，一切都更加复杂，因为如前所述，没有办法将苍蝇和小鸡分开，也就是说，优化的样本和前进的样本分开，而且几乎不可能抓住优化转变为拟合的时刻。确切地说，有可能手动中断优化，并向前运行逐渐增加的通行证数量以抓住时机，但考虑到优化时间可能相当长，而且每次都需要改变日期，那么对这种方法的兴趣就会大打折扣。
Nibora!你呢？
;)
没有得到它...
我在一个TA学院教了两年书。大致60周，10-15人--约700人，其中有几年我只看到20人。我是唯一挣钱的人:o))
问题是，这种没有说明时间段和如何获得的声明是完全没有意义的。即使对教师也是如此。
而真正的统计数据，例如Rann发布的。但它也不是关于客户，而是关于账户。
我知道真正的统计数据。 你也知道，如果你在市场上做一些事情。特别是由于时期和方法都清楚地写在上面。