Vorontsov는 아마도 러시아 최고의 MO 전문가일 것입니다. 따라서 과정은 좋아야 하지만 IT인을 위한 것이기 때문에 우리에게 기본적이고 중요한 수학은 거기에서 생략됩니다. 나는 거래에 수학적 방법을 적용할 때 기본적이고 단순화된 형식이 거의 적합하지 않다는 것을 반복해서 알아차렸습니다.
ML은 예측 변수와 응답 P(X,Y)의 불변 공동 분포가 있다는 가정을 기반으로 합니다(예: Tibshirani 참조). 이것으로부터 조건부 확률 Py(Y|X)를 계산할 수 있으며, 이로부터 회귀 Y=f(X)를 계산할 수 있습니다. 결과적으로 이 회귀는 모든 MO 모델에 의해 근사됩니다. 물리적 세계에서 이 이론은 어느 정도 효과가 있습니다. 그러나 거래에서는 아닙니다. P(X,Y)는 예측할 수 없는 방식으로 시간(비정상성)에 따라 변하고 전체 이론이 약간 무너지는 것으로 나타났습니다.
당신은 어떻게든 당신의 이론을 생각해 내야 하고, 여기에 이미 있습니다 - 누가 거기에 참여했는지) 가장 일반적인 접근 방식은 단순히 비정상성을 무시하고 결과에 놀라서 MO에 대해 불평하는 것입니다)
그렇다면 왜 클래스가 올바르게 예측하지 않습니까? 따옴표는 분포가 아니라 모델이 예상하는 것과 동일하지 않기 때문입니다. 그리고 올바른 분포에서 따옴표를 생성하면 아마도 좋을 것입니다.
음 해봐 그렇게 했는지 득점했는지 기억이 안나는데 비슷한 생각이 있었던 것 같다
그러나 대부분의 경우 과거와 미래 사이에는 연관성이 없습니다. 저것들. n개의 막대의 미래 상태는 예측하기가 쉽지 않고 1-2단계 앞서는 것보다 더 어려울 수 있습니다.음 해봐 그렇게 했는지 득점했는지 기억이 안나는데 비슷한 생각이 있었던 것 같다
그러나 대부분의 경우 과거와 미래 사이에는 연관성이 없습니다. 저것들. n개의 막대의 미래 상태는 예측하기가 쉽지 않고 1-2단계 앞서는 것보다 더 어려울 수 있습니다.미래에 모델도 작동해야 한다고 가정하면 항상 다양한 종류의 오류(노이즈 포함)가 있을 것이므로 균형을 찾는 것이 작업입니다. 그래서 그것은 기본적으로 같은 것입니다.
사실 저는 이 문제를 다른 방식으로 해결하고 있었기 때문에 주요 질문을 작성하고 있습니다.
글로벌 관점에서 본다면 나는 당신의 의견에 동의합니다. 결과적으로 어떤 알고리즘 세트가 사용되는지는 중요하지 않습니다. 사용할 때의 문제는 항상 동일합니다.
그건 그렇고, 오늘 fxsaber가 자신의 블로그에 다소 비슷한 아이디어 (일반적인 것과는 거리 가 먼 지표 값으로 거래를 버립니다)가 표현되었습니다.
글로벌 관점에서 본다면 나는 당신의 의견에 동의합니다. 결과적으로 어떤 알고리즘 세트가 사용되는지는 중요하지 않습니다. 사용할 때의 문제는 항상 동일합니다.
그건 그렇고, 오늘 fxsaber가 자신의 블로그에 다소 비슷한 아이디어 (일반적인 것과는 거리 가 먼 지표 값으로 거래를 버립니다)가 표현되었습니다.
완전히 동의합니다. 동적 폭이 있는 회랑의 변동은 예측 및 확률의 균형 선택을 수반합니다.
초보자에게 테스터/옵티마이저에서 Expert Advisor 의 최적화가 MO입니까?
최적화는 신경망 학습 과정과 가장 유사합니다.
이전에는 가장 관련성이 높은 세트를 얻기 위한 최적화 자동화 솔루션도 있었습니다.
모델 선택 주제에 대한 강의
오해가 없도록, 말하자면
초보자에게 테스터/옵티마이저에서 Expert Advisor 의 최적화가 MO입니까?
MO는 알고리즘 모음일 뿐입니다. 그들 중 일부는 테스터 최적화가 매우 적합합니다. 예를 들어, KNN에서 최적의 K를 찾아야 하는 경우입니다. 그러나 대부분의 알고리즘에는 고유한 최적화 방법이 있습니다. 예를 들어, 신경망의 경사하강법.
일반적으로 답은 주어진 최적화 알고리즘(열거 및 유전적 최적화)에 적응하는 특정 모델의 능력에 달려 있습니다.
모델 선택 주제에 대한 강의
오해가 없도록, 말하자면
Vorontsov는 아마도 러시아 최고의 MO 전문가일 것입니다. 따라서 과정은 좋아야 하지만 IT인을 위한 것이기 때문에 우리에게 기본적이고 중요한 수학은 거기에서 생략됩니다. 나는 거래에 수학적 방법을 적용할 때 기본적이고 단순화된 형식이 거의 적합하지 않다는 것을 반복해서 알아차렸습니다.
ML은 예측 변수와 응답 P(X,Y)의 불변 공동 분포가 있다는 가정을 기반으로 합니다(예: Tibshirani 참조). 이것으로부터 조건부 확률 Py(Y|X)를 계산할 수 있으며, 이로부터 회귀 Y=f(X)를 계산할 수 있습니다. 결과적으로 이 회귀는 모든 MO 모델에 의해 근사됩니다. 물리적 세계에서 이 이론은 어느 정도 효과가 있습니다. 그러나 거래에서는 아닙니다. P(X,Y)는 예측할 수 없는 방식으로 시간(비정상성)에 따라 변하고 전체 이론이 약간 무너지는 것으로 나타났습니다.
당신은 어떻게든 당신의 이론을 생각해 내야 하고, 여기에 이미 있습니다 - 누가 거기에 참여했는지) 가장 일반적인 접근 방식은 단순히 비정상성을 무시하고 결과에 놀라서 MO에 대해 불평하는 것입니다)