귀하의 가정은 너무 강한 것 같습니다. 구현할 수 있다면 사실상 성배가 될 것이라는 의미에서 말이죠. 저는 좀 더 겸손하고 구체적인 문제를 해결하고 싶습니다. 트레이의 충분한 길이와 그 안에 쓸모없는 예제가없는 것 사이에서 타협점을 찾을 수있는 일반적인 방법을 찾고 싶습니다.
제 생각에는 이 문제는 우리 분야에서 MO와 matstat을 적용하는 데 있어 근본적인 문제라고 생각합니다.
실험적으로 시도해 보지 않으셨나요? 결국, 이 질문에 대한 이론적 접근 방식에 따르면 샘플 크기가 임계적으로 증가하면 샘플의 패턴이 오래되어 더 이상 작동하지 않으므로 질적 인 의미에서 학습이 저하되고 샘플이 증가하면 새로운 데이터에 대한 결과가 더 나빠질 것입니다.
실험적으로 시도해 보지 않았나요? 결국, 이 질문에 대한 이론적 접근 방식에 따르면 샘플 크기가 크게 증가하면 샘플의 패턴이 오래되어 더 이상 작동하지 않으므로 학습은 질적 인 의미에서 악화되어야하며 새로운 데이터에서는 샘플이 증가하면 결과가 더 나빠질 것입니다.
많은 시점의 기록 기간 동안 많은 수의 변형을 학습하는 것은 완전히 엄청난 계산 작업이라는 것을 알고 계실 것입니다. 기적적으로 이러한 통계를 모두 수집할 수 있다고 하더라도 이 정보 더미를 의미 있게 체계화해야 하는 문제가 있습니다. 분명히 각 순간마다 다른 길이의 역사가 최적의 것으로 판명 될 것입니다. 그리고 이것을 어떻게 해석하고 가장 중요한 것은 미래로 어떻게 추론할 것인가?
저는 반대로 훈련 기록의 길이에 대한 변형의 수를 대폭 줄이기 위한 몇 가지 휴리스틱(말 그대로 몇 가지 변형으로 줄이는 것)을 생각해 보고 싶습니다.
그건 그렇고, 이것은 또한 중요한 실용적이고 흥미로운 이론적 질문입니다. 거래량(유동성, 변동성)에 대한 실제 매도-매도 스프레드의 의존성으로 공식화하고, 해당 회귀를 계산하고, 외환과 증권 거래소 상품을 비교하는 등의 작업을 할 수 있습니다. 또 다른 한 가지는 TS가 대량으로 거래하는 사람들에게만 흥미 롭다는 것입니다.)
역사의 긴 시간 동안 많은 수의 변형을 훈련하는 것은 절대적으로 엄청난 계산 작업이라는 것을 알고 계실 것입니다. 기적적으로 이러한 통계를 모두 수집할 수 있다고 하더라도 이 정보 더미를 의미 있게 체계화할 수 있을지는 의문입니다. 분명 각 순간마다 최적의 길이의 역사가 밝혀질 것입니다. 그리고 그것을 해석하는 방법, 그리고 가장 중요한 것은 그것을 미래로 추정하는 방법일 것입니다.
저는 반대로 훈련 기록의 길이에 대한 변형의 수를 대폭 줄이기 위한 몇 가지 휴리스틱을 생각해 내고 싶습니다(말 그대로 몇 가지 변형으로).
이 실험의 문제는 해결할 수 있는 것이었고, 저도 비슷한 실험을 해본 적이 있습니다.
그때 샘플의 비교 가능성을 추정하는 방법을 찾아야겠다는 생각이 들었습니다. 하지만 공식을 이해하지 못해서 구현할 수 없었습니다.
그건 그렇고, 이것은 또한 중요한 실용적이고 흥미로운 이론적 질문입니다. 거래량(유동성, 변동성)에 대한 실제 매도-매도 스프레드의 의존성, 해당 회귀 계산, 외환과 증권 거래소 상품 비교 등으로 공식화할 수 있습니다. 또 다른 한 가지는 TS를 대량으로 거래하는 사람들에게만 흥미롭다는 것입니다.)
아, 너무 혼란스러워서 아무것도 명확하지 않습니다. 거래량이 많은 호가를 어디서 구하는지, 어떤 공급업체가 있는지, 존재 여부 등 모든 것이 혼란스럽습니다. 결국, 그들이 성공하더라도 비슷한 원칙에 따라 다른 모든 것과 마찬가지로 그러한 독성 ts를 금지 할 것입니다. 또는 모자를 들고 다른 장소로 달려가 마법의 진자 앞에 떨어질 것을 모으십시오.
한 시간 거래 길이에서 TS를 환영하며 여러 악기에서 가능하며 독성 측면에서 특히 아무도 변형되지 않는 것처럼 보이지만 아마도 변형되지 않기 때문에 그렇게 어렵게 만드는 것은 어렵습니다.
Maxim Dmitrievsky #: 이해할 수 없을 정도로 엉망진창입니다. 어디서 물량과 함께 견적을 받는지, 어떤 공급업체를 이용하는지, 존재 여부 등 모든 것이 엉망입니다. 결국, 그것이 잘 되더라도 그들은 비슷한 원칙에 따라 다른 모든 것과 마찬가지로 그러한 독성 TS를 금지 할 것입니다.
fxsaber는 문제가 큰 매출에서 시작된다고 썼던 것 같아요. 아마도 카피라이터들 사이에서 너무 높은 인기로 인해 TS가 희생되었을 수 있습니다.)
귀하의 가정은 너무 강한 것 같습니다. 구현할 수 있다면 사실상 성배가 될 것이라는 의미에서 말이죠. 저는 좀 더 겸손하고 구체적인 문제를 해결하고 싶습니다. 트레이의 충분한 길이와 그 안에 쓸모없는 예제가없는 것 사이에서 타협점을 찾을 수있는 일반적인 방법을 찾고 싶습니다.
제 생각에는 이 문제는 우리 분야에서 MO와 matstat을 적용하는 데 있어 근본적인 문제라고 생각합니다.
실험적으로 시도해 보지 않으셨나요? 결국, 이 질문에 대한 이론적 접근 방식에 따르면 샘플 크기가 임계적으로 증가하면 샘플의 패턴이 오래되어 더 이상 작동하지 않으므로 질적 인 의미에서 학습이 저하되고 샘플이 증가하면 새로운 데이터에 대한 결과가 더 나빠질 것입니다.
이미 학습된 모델에 대한 사후 분석 결과를 얻었습니다. 훈련 샘플 선택 단계에 대한 선험적 분석으로 이를 보완하고 싶습니다.
저도 그렇게 생각합니다. 단순성을 위해 마지막으로 형성된 지그재그의 상단을 사용하기로 결정했지만 더 정교한 것을 원합니다.
새 데이터에서 작동하는 부분만 추출하고 두 번째 모델 형태의 필터를 적용하여 이전 데이터와 새 데이터 모두에서 작업 한 다음 기사에서와 같이 다른 새 데이터에서 확인합니다.
또한 일종의 피팅이지만 모델 오류를 기반으로합니다. 적어도 잘 분류 할 수있는 변형을 선택하는 것처럼 무작위성 이외의 무언가가있는 것처럼 (적어도 훈련 및 검증 및 기타 검증에 대해).
선험적으로 무언가를 내려 놓으면 장기적인 모니터링을 수행하는 것이 합리적 일 수 있으며 적어도 적절한 마크 업을 제공 할 것입니다. 징후를 포착하세요.
저는 기능과 대상의 새로운 스팸 발송자를 생각해 냈습니다(일반적인 무작위 샘플링에 비해 유익한 것 같고 실제로도 그렇습니다). 하지만 아직 테스트하지 않은 몇 가지 변형이 있습니다.
실험적으로 시도해 보지 않았나요? 결국, 이 질문에 대한 이론적 접근 방식에 따르면 샘플 크기가 크게 증가하면 샘플의 패턴이 오래되어 더 이상 작동하지 않으므로 학습은 질적 인 의미에서 악화되어야하며 새로운 데이터에서는 샘플이 증가하면 결과가 더 나빠질 것입니다.
많은 시점의 기록 기간 동안 많은 수의 변형을 학습하는 것은 완전히 엄청난 계산 작업이라는 것을 알고 계실 것입니다. 기적적으로 이러한 통계를 모두 수집할 수 있다고 하더라도 이 정보 더미를 의미 있게 체계화해야 하는 문제가 있습니다. 분명히 각 순간마다 다른 길이의 역사가 최적의 것으로 판명 될 것입니다. 그리고 이것을 어떻게 해석하고 가장 중요한 것은 미래로 어떻게 추론할 것인가?
저는 반대로 훈련 기록의 길이에 대한 변형의 수를 대폭 줄이기 위한 몇 가지 휴리스틱(말 그대로 몇 가지 변형으로 줄이는 것)을 생각해 보고 싶습니다.
새 데이터에서 작동하는 청크만 가져와서 두 번째 모델로 필터를 적용하여 이전 데이터와 새 데이터 모두에서 작업한 다음 기사에서와 같이 다른 새 데이터에서 확인합니다.
또한 일종의 피팅이지만 모델 오류를 기반으로 합니다. 적어도 잘 분류 할 수있는 변형을 선택하는 것처럼 무작위성 외에 무언가가 있습니다 (적어도 훈련 및 검증 및 기타 검증에서).
선험적으로 무언가를 내려 놓으면 장기적인 모니터링을 수행하는 것이 합리적 일 수 있으며 적어도 적절한 마크 업을 제공 할 것입니다. 징후를 포착하세요.
저는 기능과 대상의 새로운 스팸 발송자를 생각해 냈습니다(유익한 것 같아서 일반적인 무작위 샘플링과 비교했습니다). 그러나 아직 테스트하지 않은 몇 가지 변형이 있습니다.
좀 더 생각해 봐야겠습니다. 제 아이디어와 개념으로 어떻게 해석해야 할지 잘 모르겠습니다.
생각해 봐야겠어요. 제 인식과 개념의 언어로 어떻게 번역해야 할지 잘 모르겠어요.
또한 틱에서 막대로 전환하면 예측력이 많이 떨어집니다.
하지만 DTS와의 잠재적 충돌을 제거합니다.)
또한 틱에서 막대로 전환하면 예측 능력이 크게 저하됩니다.
하지만 DTS와의 잠재적 충돌을 제거합니다.)
그건 그렇고, 이것은 또한 중요한 실용적이고 흥미로운 이론적 질문입니다. 거래량(유동성, 변동성)에 대한 실제 매도-매도 스프레드의 의존성으로 공식화하고, 해당 회귀를 계산하고, 외환과 증권 거래소 상품을 비교하는 등의 작업을 할 수 있습니다. 또 다른 한 가지는 TS가 대량으로 거래하는 사람들에게만 흥미 롭다는 것입니다.)
역사의 긴 시간 동안 많은 수의 변형을 훈련하는 것은 절대적으로 엄청난 계산 작업이라는 것을 알고 계실 것입니다. 기적적으로 이러한 통계를 모두 수집할 수 있다고 하더라도 이 정보 더미를 의미 있게 체계화할 수 있을지는 의문입니다. 분명 각 순간마다 최적의 길이의 역사가 밝혀질 것입니다. 그리고 그것을 해석하는 방법, 그리고 가장 중요한 것은 그것을 미래로 추정하는 방법일 것입니다.
저는 반대로 훈련 기록의 길이에 대한 변형의 수를 대폭 줄이기 위한 몇 가지 휴리스틱을 생각해 내고 싶습니다(말 그대로 몇 가지 변형으로).
이 실험의 문제는 해결할 수 있는 것이었고, 저도 비슷한 실험을 해본 적이 있습니다.
그때 샘플의 비교 가능성을 추정하는 방법을 찾아야겠다는 생각이 들었습니다. 하지만 공식을 이해하지 못해서 구현할 수 없었습니다.
실험의 문제는 해결할 수 있습니다. 저도 비슷한 일을 해봤습니다.
기술적으로는 충분히 해결할 수 있는 문제입니다. 문제는 그러한 실험의 결과를 해석하는 방법입니다.
그때 저는 샘플의 비교 가능성을 평가하는 방법을 찾아야 한다는 생각을 하게 되었습니다. 하지만 공식을 이해할 수 없었기 때문에 실현할 수 없었습니다.
예를 들어 Matstat에는 샘플의 동질성을 확인하기 위한 많은 테스트가 있습니다. 물론 제가 용어를 제대로 이해했다면요.
그건 그렇고, 이것은 또한 중요한 실용적이고 흥미로운 이론적 질문입니다. 거래량(유동성, 변동성)에 대한 실제 매도-매도 스프레드의 의존성, 해당 회귀 계산, 외환과 증권 거래소 상품 비교 등으로 공식화할 수 있습니다. 또 다른 한 가지는 TS를 대량으로 거래하는 사람들에게만 흥미롭다는 것입니다.)
이해할 수 없을 정도로 엉망진창입니다. 어디서 물량과 함께 견적을 받는지, 어떤 공급업체를 이용하는지, 존재 여부 등 모든 것이 엉망입니다. 결국, 그것이 잘 되더라도 그들은 비슷한 원칙에 따라 다른 모든 것과 마찬가지로 그러한 독성 TS를 금지 할 것입니다.
fxsaber는 문제가 큰 매출에서 시작된다고 썼던 것 같아요. 아마도 카피라이터들 사이에서 너무 높은 인기로 인해 TS가 희생되었을 수 있습니다.)