试穿和实际模式之间的界限在哪里？ - 页 50

新评论
 
Gerasimm:
是的，我意识到了这一点。我不打算这样做。但在计算机根据外部特征区分出猫与猫之前，费力不讨好是没有用的。而当它发生时，市场将看起来完全不同......:о)

"尾随效应 "在优化的TS中是如此常见的现象，以至于连展示它都很无聊。

不实际检测的唯一方法是，不追逐利益，而是证明模式不可能存在。

好运。

 

我想了又想，得出的结论是：寻找模式难道不比试穿更 "深 "一点吗？让我用我正在进行的一个实验的例子来解释。有一个神经网络是我使用的。通常我训练它一两个小时。我通常会得到30-50%的结果，然后顺利通过前向测试（1/6的训练期）。识别它们的问题，简单的猜测在这种情况下对我不利。我试着教了4个小时--可悲的是只有大约20%的成功转发者。结论：重新培训，一个配件已经走了。沮丧的和....决定继续训练。12小时，同样的20%。24小时，又是20%，但我注意到，他们通过前锋的情况只比训练期稍差。以前，即使是最好的成绩也会出现一些明显的下降，而这20%实际上是所有组别中最好的训练成绩。他们曾经大致均匀地 分布在其他人中间。事情变得很有趣。迄今为止，花了近72小时的培训。哦，奇迹。在前200个结果中，有超过123个成功通过正向测试。你可以尝试玩猜谜游戏，从中获利。

增加学习时间导致样本期的结果逐渐改善。这很自然。72小时的结果比2小时的结果要好4倍以上。OOS的结果也最终得到了改善，但没有渐进性可言，有的是明显的失败。

__________

这告诉你什么？

一个可悲而明显的选择：关于不完善的训练方法和超负荷的NS）经典的GA对于教授NS来说有点沉重，但是，是的，有很多可以调整...国家安全局有很大的自由度，国家安全局的输入也显然是多余的，并不都是足够的信息，国家安全局在学习过程中已经 "排除 "了不少。我们还可以对架构进行实验。

乐观的，也许是不成熟的：一个有能力用 "直觉 "识别规律性的TS，只是 "不得不 "这样做，以便在训练期间取得最佳效果。当然，如果这些模式对这个结果是有意义的。

 
MetaDriver:

标签。我不知道这个论点/论据与真理的寻找/诞生有什么关系，但似乎我已经设法为自己确定了这个主题的答案。

边界在图形的左右两部分之间，定义如下。

如果这个特定的TS，在图表的左边部分被优化，在统计上倾向于 在图表的右边部分出现"利润尾巴 "**--那么就有一个模式。

否则，它就是一个无用的配件。

//有统计学倾向* --在这里，我们指的是多种（1 ）优化时间 框架的转变和（2）交易工具 的改变

//"利润-尾巴 "** - "后效"。毗连的未来部分的统计学上的利润率。

这个定义考虑到了 "永恒 "和时间性 模式的可能性。

标记线在质量上是准确的。 然后只有定量的评估（寿命、表现程度等）。或者垃圾桶。


我100%同意。

Gerasim提出了一个有点不同的 拟合概念，即寻找规律性，等同于规律性，从而抹去线。 但它们只是不同的是，当对历史进行拟合时--系统是向前损失的，但当在优化期间对真实的规律性进行 "调整 "时--向前是有利可图的（至少在优化期间的25%以内）。

这正是你所写的 边缘 。另一个问题是 如何 不把寻找（"调谐"）一个真正的模式变成基于历史的拟合。

这里已经取决于和优化时间，输入参数变化的步骤，输入参数的准备，等等，每个人谁是在主题知道和导航。

我再说一遍--关于这个问题（"如何......"），你可以在这里 查看更多细节。

 
Figar0:

1. 到目前为止，在训练中花费了近72个小时。哦，奇迹。在前200个结果中，有超过123个成功通过正向测试。你可以尝试玩猜谜游戏，从中获利。

训练时间的增加导致样本期的结果逐渐改善。这很自然。72小时的结果比2小时的结果好了4倍多。从长远来看，OOS的结果也有所改善，但没有所谓的渐进主义，这是一个明显的失败。

__________

2、这说明了什么？

1.如果重复的实验显示了这个 "奇迹 "在不同时间和不同民族的 仪器上的可重复性，我们就可以谈一谈所得到的结果的规律性。

2.到目前为止，几乎没有。见第1点。

 
Где грань между подгонкой и реальными закономерностями?

让我试着从逻辑上推理一下。

1) 什么是模式？在某些条件下，同样的价格行为。

2）条件描述的是什么？价格图表的一些选定特征。

3）价格图表的特征是否恒定？一般来说不是恒定的。

4）如何定义一个特征？按时间和价格特点。

5）因此，什么时候可能出现相同的价格行为？当指标不恒定（不同）时，这是有可能的。

6）非变量指标的特点是什么？描述指标变化的时间和价格驱动过程的特点。

7）因此，什么是市场中的模式？规律性是当考虑到时间和价格的过程特征有某些变化时，价格的相同行为，并描述描述规律性的价格图表上的指标变化。

事实证明，规律性与拟合不同，规律性实现的条件（相同的行为）随着价格图的变化而按照一定的规律同步变化，但同样的事情在拟合中却没有变化。事实证明，静态确定的条件很少能描述规律性，因为市场上的恒定特征比变量少得多。因此，Fringe把动态分析系统挑出来，认为它是最有能力描述模式的类型。

 
Gerasimm:
是的，我意识到了这一点。我不打算这样做。但在电脑无法从外观上区分猫咪之前，它是没有用的。 而当它做到这一点时，市场将有一个完全不同的面貌......:о)
猫和它有什么关系？
 
-Aleksey-:

让我试着从逻辑上推理一下。

1) 什么是模式？在一定条件下的相同价格行为。

在某些条件下，价格不能相同。简单地说，历史重演到一个点以内的概率接近于0。其原因是，报价中存在噪音。

既然TA是基于在过去寻找某种东西，以便在未来利用这种东西，那么。

1.噪音--过去的一些模式没有记忆--随机过程。由于存在分散性，历史数据中的模式是不均匀分布的，即先密后空。在遇到一些高概率的价格行为之前的噪音模式的大量积累后，优化（训练）期间的TS可以将这些模式视为 "交易信号"。自然，这样的 "模式 "非常不可能通过正向测试，因为在历史数据的不同部分的过度积累是不可能的，而缺乏稳定的因果关系，即记忆会给人带来损失。

2.真正的交易信号--一些过去的模式预示着一些未来的价格行为，也就是有记忆的非随机过程。由于这些模式先于交易信号，它们会统一 积累，即先有模式，后有交易信号--这是一种稳定的因果关系（如果不稳定--就不再是模式了）。如果TS识别了这些非常的模式，至少部分识别了这些模式，它就可以通过向前的测试。

理论上，人们可以尝试从模式中过滤掉噪音。也就是说，把所有的交易信号在远期测试中，分成两类。

1.信号显示损失-噪音

2.该信号给出了一个利润--一个模式

然后，我们可以，例如，教NS通过额外的属性来区分噪音和模式。因此，我们得到了带有噪声抑制器的TS。一些百分比的噪声无论如何都会泄漏，但自然界中没有100%的噪声抑制器。

简而言之，集市应通过前向测试的结果进行过滤--样本外，即OOS，但不是对有代表性的样本--样本。如果你在Sample上过滤信号，许多人正试图这样做--你会得到一个平方拟合。

 
Reshetov:

1.该信号给出了一个损失-噪音

2.该信号给出了一个利润--一个模式

哈哈哈哈哈哈

这就像把动物分为 "有害 "和 "有用 "一样...所以这里也是--有一个价格变动...但如果我们在上面赚了一分钱，我们就屈尊称它为 "合法"......否则它就是毫无意义的 "噪音"--当然，它没有让我们感觉更好，它一定是一个意外......。

巫师们！人类中心主义者!不要让上帝生气!

:)

 
市场上没有噪音。所有的噪音都只是在脑子里。
 
paukas:
猫与此有什么关系？

我会用一首歌来回答( 残酷的爱德华)...我们可以不养猫，但关键是不能改变...我们让机器用尺子测量灵魂......我们试图揭示出规律性。它们无疑是存在的，但我们要么一次看个够（这将占用相当多的资源），要么就别费力气在目前的故事中加入一个或多个工具，因为它是百密一疏，由于它实际上是一个布朗运动，我们只能得到零碎的结果。



可能下一个问题是--这首歌在哪里？:о))

1...434445464748495051525354555657...64
新评论