Maxim Dmitrievsky #: 모델이 편향되어 있습니다. 따라서 이러한 편향 없이 학습하도록 강제해야 합니다. 하지만 먼저 편향 계수를 찾아야 하는데, 회귀에서처럼 기울기 또는 자유 항(절편)이라고 가정해 봅시다. 이 용어가 훈련과 OOS에 따라 달라지지 않도록 훈련시키면 어떨까요? 기본적으로 코줄루에 관한 책을 인용합니다.
catbusta 및 기타 모델에서는 훈련 중에 레이블에 가중치를 할당할 수 있습니다. 예를 들어 오프셋을 출력한 다음 가중치로 변환하고 이미 훈련에 있는 보정 계수를 사용하여 모델을 훈련합니다. 이것이 방법 중 하나입니다.
3개월 동안 글로브 추세가 상승하고 있다고 가정해 보겠습니다. 가격이 7% 상승했습니다. 동시에 하루 동안 양방향으로 최대 2%의 변화가 있습니다. 첫 번째 바, 두 번째 바의 리 토너먼트 H1에 어떤 가중치를 부여해야합니까? ..... 100 바? 그리고 나머지 피치. 과학적으로 (또는 적어도 실험적으로) 정당한 공식이 있는지 의심 스럽습니다. 수백 개의 가중치를 부여하면 적합한 모델을 찾는 것이 훨씬 더 어려워집니다. 이미 많은 하이퍼파라미터가 있습니다.
3개월 동안 전 세계적으로 상승 추세가 있었다고 가정해 보겠습니다. 가격이 7% 상승했습니다. 동시에 하루에 양방향으로 최대 2%의 변동이 있습니다. 첫 번째 막대, 두 번째 막대의 H1 수익률에 어떤 가중치를 부여해야 할까요? .... 100 바? 그리고 나머지 피치. 과학적으로 (또는 적어도 실험적으로) 정당한 공식이 있는지 의심스럽습니다. 수백 개의 가중치를 부여하면 적합한 모델을 찾는 것이 훨씬 더 어려워집니다. 이미 수많은 하이퍼파라미터가 존재합니다.
원인과 결과에 대한 명확한 확신이 없을 때는 무작위 실험을 통해서만 가능합니다. 신뢰도가 높지는 않지만 다른 방법이 없습니다.
과학적으로 유효한 프리쉬-우-로벨 공식이 있습니다. 그 책을 읽어보지 않으셨나 보네요.
물론 이 수준에서 반등했다가 저 곡선 아래로 떨어지고 뉴스에서 모든 것이 다시 떨어졌다는 측면에서 계속할 수 있지만 아무도 그러한 공식의 유용성을 증명하지 못했습니다. 우리가 무작위성을 가지고 놀면 맛을 가지고 놀아야합니다.
Forester #: 매도 모델은 글로벌(1~1.5년) 추세가 상승할 때 하락하기 시작합니다. 거래에서 수익을 올릴 기회를 찾지만 OOS에서는 손실이 발생합니다. 아마도 하나의 모델이 매수|매도를 선택하는 첫 번째 변형이 더 좋을 것입니다. 그러나 글로벌 추세에 적응하면 추세 변화의 순간에 고갈 될 것입니다. 그리고 아마도 몇 년 동안 한 방향으로만 거래할 것입니다.
모델 과잉 훈련의 주요 징후는 TRAIN과 OOS의 차이입니다. 그러한 불일치가 있으면 모든 것을 버려야하고 모든 것이 비어 있고 전체 여행이 거짓입니다.
wha
시와 책을 쓰기 위해
시작하세요.
그게 당신의 일이고 아마도 더 수익성이 높을 것입니다.
모델이 편향되어 있습니다. 따라서 이러한 편향 없이 학습하도록 강제해야 합니다. 하지만 먼저 편향 계수를 찾아야 하는데, 회귀에서처럼 기울기 또는 자유 항(절편)이라고 가정해 봅시다. 이 용어가 훈련과 OOS에 따라 달라지지 않도록 훈련시키면 어떨까요? 기본적으로 코줄루에 관한 책을 인용합니다.
3개월 동안 글로브 추세가 상승하고 있다고 가정해 보겠습니다. 가격이 7% 상승했습니다. 동시에 하루 동안 양방향으로 최대 2%의 변화가 있습니다.
첫 번째 바, 두 번째 바의 리 토너먼트 H1에 어떤 가중치를 부여해야합니까? ..... 100 바? 그리고 나머지 피치. 과학적으로 (또는 적어도 실험적으로) 정당한 공식이 있는지 의심 스럽습니다.
수백 개의 가중치를 부여하면 적합한 모델을 찾는 것이 훨씬 더 어려워집니다. 이미 많은 하이퍼파라미터가 있습니다.
3개월 동안 전 세계적으로 상승 추세가 있었다고 가정해 보겠습니다. 가격이 7% 상승했습니다. 동시에 하루에 양방향으로 최대 2%의 변동이 있습니다.
첫 번째 막대, 두 번째 막대의 H1 수익률에 어떤 가중치를 부여해야 할까요? .... 100 바? 그리고 나머지 피치. 과학적으로 (또는 적어도 실험적으로) 정당한 공식이 있는지 의심스럽습니다.
수백 개의 가중치를 부여하면 적합한 모델을 찾는 것이 훨씬 더 어려워집니다. 이미 수많은 하이퍼파라미터가 존재합니다.
원인과 결과를 명확히 알 수 없는 경우,
몇몇 틱은 이미 가격의 미래 방향을 예측합니다.
물론 시간별 또는 일별 막대에는 표시되지 않습니다.
여기 한 가지 제안이 있습니다.
원칙적으로는 하지 않는 것이 좋습니다.
그리고 원칙적으로 그렇게 해서는 안 됩니다.
매도 모델은 글로벌(1~1.5년) 추세가 상승할 때 하락하기 시작합니다. 거래에서 수익을 올릴 기회를 찾지만 OOS에서는 손실이 발생합니다.
아마도 하나의 모델이 매수|매도를 선택하는 첫 번째 변형이 더 좋을 것입니다. 그러나 글로벌 추세에 적응하면 추세 변화의 순간에 고갈 될 것입니다. 그리고 아마도 몇 년 동안 한 방향으로만 거래할 것입니다.
모델 과잉 훈련의 주요 징후는 TRAIN과 OOS의 차이입니다. 그러한 불일치가 있으면 모든 것을 버려야하고 모든 것이 비어 있고 전체 여행이 거짓입니다.
모델 오버 트레이닝의 주요 징후는 기차와 OOS의 발산입니다. 그러한 불일치가 있으면 모든 것을 버려야하고 모든 것이 비어 있고 전체 하이킹이 거짓입니다.
오래된 정보.
마하라 노비스로 무엇을하는지 더 잘 말하면, 우리는 회전 할 것입니다.오래된 정보입니다.
마하라노비스로 무엇을하고 있는지 알려주세요.오래된 정보 (모델 재교육의 주요 징후는훈련과 OOS에 대한 차이입니다).
물론 구식입니다. 나는 적용한다면 당신이하는 모든 일이 신화적인 균형에 대한 모든 p 제곱을 버려야 할 것이라고 생각합니다.
마할라노비스로 무엇을 하는지 더 자세히 알려주시면 한 번 시도해 보겠습니다.
안 해요.
R에서 fastmatrix::Mahalanobis(x, center, cov, inverted = FALSE) 패키지는 벡터 사이의 유클리드 거리를 계산합니다.
이것이 왜 필요할까요?
예측자의 예측력, 즉 다양한 클래스를 예측할 수 있는 능력이 필요하며, 미래에는 예측력의 변동이 최소 10% 이내로 최소화되도록 해야 합니다. 그래서 저는 다른 접근 방식을 사용하고 계산 결과를 한 번 게시했습니다.
오래된 정보 (모델 재교육의 주요 징후는훈련과 OOS의 불일치입니다).
물론 구식입니다. 적용하면 신화적인 균형에 대한 모든 p 제곱을 버려야한다고 생각합니다.
마할라노비스로 무엇을 하고 계신지 알려주시면 한 번 시도해 보겠습니다.
아니요.
R 패키지에서 fastmatrix::Mahalanobis(x, center, cov, inverted = FALSE)는 벡터 사이의 유클리드 거리를 계산합니다.
이것이 왜 필요할까요?
예측자의 예측력, 즉 다양한 클래스를 예측할 수 있는 능력이 필요하며, 미래에는 예측력의 변동이 최소 10% 이내로 최소화되도록 해야 합니다. 그래서 저는 다른 접근 방식을 사용하고 계산 결과를 한 번 게시했습니다.
마할라노비스
마하라노비스에 대해 질문하셨고, 저는 답변만 한 것이 아니라 사용하지 않는 이유도 적었습니다.