표준 방법으로 훈련 된 모델이 작동하지 않는 이유를 이해했다면 문제에 대한 해결책을 찾아야합니다. 완벽하지는 않지만 더 큰 확신과 성공 확률로 시장에 모델을 적용 할 수 있습니다. 그런 다음 이미 문제를 더 연구하고 개선 할 수있는 수입이 있습니다.
신경학을 고려한다면 학습 과정에 동등하게 기여하는 것을 목표로 샘플을 바흐 단위로 나누고 바흐 수 (확률 분포의 변화 영역)를 늘릴 수있을 것입니다. 트리를 사용하면 더 어렵지만 CatBoost는 대규모 샘플에서 비슷한 바치를 사용하지만 제어하거나 관리할 수 없습니다. 하지만. 지속적인 학습을위한 기술이있었습니다-실험하지 않았습니다.... 해보셨나요?
모델이 작동하지 않는 이유를 이해하고 표준 방법으로 훈련 된 경우 문제에 대한 해결책을 찾아야합니다. 이상적이지는 않지만 더 큰 자신감과 성공 확률을 가지고 시장에 모델을 적용 할 수 있습니다. 그런 다음 수입으로 문제와 개선에 대한 추가 연구에 참여할 수 있습니다.
뉴로노믹스를 고려한다면 학습 과정에 동등하게 기여하는 것을 목표로 샘플을 바흐 단위로 나누고 바흐(확률 분포의 변화 영역)의 수를 늘릴 수 있을 것입니다. 트리를 사용하면 더 어렵지만 CatBoost는 대규모 샘플에서 비슷한 바치를 사용하지만 제어하거나 관리할 수 없습니다. 하지만. 지속적인 학습을위한 기술이있었습니다-실험하지 않았습니다.... 해보셨나요?
사전 학습으로 변형을 해봤지만 그런 식으로 작동하지 않았습니다. 부스팅에서는 뉴런에서처럼 치즐링을 하는 동안 과거 반복의 가중치가 변경되지 않고 그 위에만 적용됩니다. 이것이 단점입니다.
저는 합성 데이터 생성을 위한 인코더-디코더를 포함해 모든 아키텍처의 뉴런도 해봤어요. 포라치에서도 그다지 필요하지 않습니다.
예를 들어, 시장에서 복잡한 패턴을 발견했다면 SB를 생성하여 그 패턴이 있는지 확인할 수 있습니다.
만약 그것이 없다면 시장에만 내재된 속성을 발견한 것이니 좋은 거죠.
그리고 SB에 있으면 나쁜 건가요? 모르겠어요, 패턴이 있고 없는 게 나쁜 건가요?
글쎄, 나는 이미이 질문을 한 지적인 사람들을 읽고 싶습니다.
트레이더 테스터에게는 일종의 표준 신사 트릭입니다. 시장에서 패턴을 찾습니다. 그런 다음 SB를 기준으로 한 시세에서 확인합니다. SB의 예측이 50/50이면 테스트를 어느 정도 신뢰할 수 있습니다. 예측 비율이 거의 같으면 미래를 내다볼 수 있는 곳을 찾습니다. 그렇지 않다면 미래를 엿볼 수 있는 교묘한 방법을 찾아야 합니다. 그렇지 않다면 미래를 아주 영리하게 엿볼 수 있는 곳을 찾습니다. 그런 식이죠.
첫 번째는 샘플별로 70%, 15%, 15%의 세 부분으로 나뉩니다. 첫 번째는 최소 5배와 충분히 큰 배로 교차 확인을 통해 배웁니다. RF의 경우 1500입니다. 그런 다음 두 번째 및 세 번째 샘플에서 실행 한 다음 "있는 그대로"인 두 번째 파일에서 실행합니다. 모든 샘플의 분류 오류는 거의 같아야 합니다.
나는 이미 SB와의 비교에 대해 정확히 같은 생각을 들었 기 때문에 공식 과학에 그러한 접근 방식이 있는지 여부를 의미했습니다.
확립 된 기술이 있는지 궁금합니다.
여기 스케치가 있습니다.
왼쪽은 유로 M5의 실제 차트입니다.
를 m5로 변환한 오른쪽 SB 틱(누적 합계) 차트입니다.
시각적으로 그래프는 비슷합니다.)))
이질적 공적분은 계량경제학 및 모든 종류의 응용 통계에서 모델링됩니다. 거기에는 많은 테스트가 있습니다. R에는 모두 포함되어 있어야 합니다. 문제는 과거에 대한 추정치를 제공하므로 현재에 적합한지 확실하지 않다는 것입니다.
용감한 자의 광기를 위하여 :)
이것이 모든 인류의 발전이 서있는 곳입니다.
표준 방법으로 훈련 된 모델이 작동하지 않는 이유를 이해했다면 문제에 대한 해결책을 찾아야합니다. 완벽하지는 않지만 더 큰 확신과 성공 확률로 시장에 모델을 적용 할 수 있습니다. 그런 다음 이미 문제를 더 연구하고 개선 할 수있는 수입이 있습니다.
신경학을 고려한다면 학습 과정에 동등하게 기여하는 것을 목표로 샘플을 바흐 단위로 나누고 바흐 수 (확률 분포의 변화 영역)를 늘릴 수있을 것입니다. 트리를 사용하면 더 어렵지만 CatBoost는 대규모 샘플에서 비슷한 바치를 사용하지만 제어하거나 관리할 수 없습니다. 하지만. 지속적인 학습을위한 기술이있었습니다-실험하지 않았습니다.... 해보셨나요?
시각적으로 그래프는 비슷합니다.)
이산 공적분은 계량경제학 및 모든 종류의 응용 통계에서 모델링됩니다. 거기에는 많은 테스트가 발명되어 있습니다. R에는 이 모든 것이 있어야 합니다. 문제는 과거에 대한 추정치를 제공하므로 현재에 적합한지 확실하지 않다는 것입니다.
저는 SB를 사용하는 것과 같은 방식으로 보지 않습니다.
예를 들어 시장에서 복잡한 패턴을 발견하면 SB를 생성하여 그 패턴이 있는지 확인할 수 있습니다.
SB에 없으면 시장에만 내재된 속성을 발견한 것이니 좋은 거죠.
SB에 패턴이 있으면 나쁜 건가요? 모르겠어요, 둘 다 패턴이 있으면 나쁜 건가요?
글쎄, 나는 이미이 질문을 한 지적인 사람들을 읽고 싶습니다.
이것이 모든 인류의 발전이 서 있는 곳입니다.
모델이 작동하지 않는 이유를 이해하고 표준 방법으로 훈련 된 경우 문제에 대한 해결책을 찾아야합니다. 이상적이지는 않지만 더 큰 자신감과 성공 확률을 가지고 시장에 모델을 적용 할 수 있습니다. 그런 다음 수입으로 문제와 개선에 대한 추가 연구에 참여할 수 있습니다.
뉴로노믹스를 고려한다면 학습 과정에 동등하게 기여하는 것을 목표로 샘플을 바흐 단위로 나누고 바흐(확률 분포의 변화 영역)의 수를 늘릴 수 있을 것입니다. 트리를 사용하면 더 어렵지만 CatBoost는 대규모 샘플에서 비슷한 바치를 사용하지만 제어하거나 관리할 수 없습니다. 하지만. 지속적인 학습을위한 기술이있었습니다-실험하지 않았습니다.... 해보셨나요?
사전 학습으로 변형을 해봤지만 그런 식으로 작동하지 않았습니다. 부스팅에서는 뉴런에서처럼 치즐링을 하는 동안 과거 반복의 가중치가 변경되지 않고 그 위에만 적용됩니다. 이것이 단점입니다.
저는 합성 데이터 생성을 위한 인코더-디코더를 포함해 모든 아키텍처의 뉴런도 해봤어요. 포라치에서도 그다지 필요하지 않습니다.저는 SB를 사용하는 것과 같은 방식으로 보지 않습니다.
예를 들어, 시장에서 복잡한 패턴을 발견했다면 SB를 생성하여 그 패턴이 있는지 확인할 수 있습니다.
만약 그것이 없다면 시장에만 내재된 속성을 발견한 것이니 좋은 거죠.
그리고 SB에 있으면 나쁜 건가요? 모르겠어요, 패턴이 있고 없는 게 나쁜 건가요?
글쎄, 나는 이미이 질문을 한 지적인 사람들을 읽고 싶습니다.
트레이더 테스터에게는 일종의 표준 신사 트릭입니다. 시장에서 패턴을 찾습니다. 그런 다음 SB를 기준으로 한 시세에서 확인합니다. SB의 예측이 50/50이면 테스트를 어느 정도 신뢰할 수 있습니다. 예측 비율이 거의 같으면 미래를 내다볼 수 있는 곳을 찾습니다. 그렇지 않다면 미래를 엿볼 수 있는 교묘한 방법을 찾아야 합니다. 그렇지 않다면 미래를 아주 영리하게 엿볼 수 있는 곳을 찾습니다. 그런 식이죠.
테스트 트레이더에게는 일종의 표준적인 신사 속임수입니다.
용감한 자의 광기를 위하여 :)
할인된 화환 :).
PBO는 끝났나요?
충분히 이야기하고 잊으셨나요?
PBO가 완료되었나요?
충분히 이야기하고 잊어버리셨나요?
잊은 것이 아니라 버린 것입니다.
항상 두 개의 파일에서 테스트해야 합니다.
첫 번째는 샘플별로 70%, 15%, 15%의 세 부분으로 나뉩니다. 첫 번째는 최소 5배와 충분히 큰 배로 교차 확인을 통해 배웁니다. RF의 경우 1500입니다. 그런 다음 두 번째 및 세 번째 샘플에서 실행 한 다음 "있는 그대로"인 두 번째 파일에서 실행합니다. 모든 샘플의 분류 오류는 거의 같아야 합니다.
RFO는 여기에 무엇을 추가할까요?RHE는 이 외에도 무엇을 제공하나요?
그 기능은 문서에 기록되어 있습니다.