나는 음모를 추가할 것입니다 - 거래된 요소의 과정에서 변경 사항을 제출할 필요가 없습니다.
머리카락으로 늪에서 빠져 나오는 것과 같습니다.
다른 데이터 소스도 찾아보십시오.
이익이 당신과 함께하기를 바랍니다!
:)
그것에 대해 이야기한다면? 자, 미국이 발견되었습니다. 더 많은 정보를 포함하고 싶지만 가격 이력을 제외하고는 그 금액만큼 다른 것을 얻기가 어렵습니다.
머리카락을 잡아 당기는 것은 사실이 아닙니다. 데이터에 신호가 있습니다. 그리고 비용을 충당하고 이익을 얻는 것으로 충분합니다. 역사적으로 확인되었지만 실제로 확인되었습니다. 그리고 그것을 추출할 수 없는 사람들은 탬버린으로 춤을 춥니다. 유리에 대한 개발이 있지만 지금까지는 유리로 무언가를 할 수 있는지 확실하지 않습니다.
나는 퀀텀(대형 투자 펀드의 시니어 퀀텀)의 관점에서 거래 시스템 구축에 대한 좋은 노트를 읽는 것이 좋습니다. 그 아이디어는 나에게 합리적으로 보였다.
...
당신은 무엇에 동의하거나 동의하지 않습니까? 무엇을 더 잘 공부하고 싶습니까?
글쎄, 적어도 일반 샘플에서 균일한 분포를 가진 샘플의 예비 무작위 혼합 대신 날짜별로 훈련 및 테스트 샘플로 엄격하게 나눈 다음 부분으로 나눕니다. 결국 수직 추세는 대부분 샘플의 한 부분에 속하고 측면 추세는 두 번째 부분에 속한다는 것이 밝혀질 수 있습니다. 무작위 혼합을 수행하면 샘플의 다른 부분에 유사한 패턴이 밀집될 확률이 줄어듭니다.
그런데 MetaTrader에 내장된 전략 테스터 도 이러한 단점을 가지고 있습니다. 훈련 샘플과 순방향 테스트를 날짜별로 엄격하게 나눕니다. 이 때문에 경계선에 가까운 시장 동향의 변화는 의도적인 재교육으로 이어질 수 있습니다.
따라서 샘플 내 및 샘플 외를 엄격하게 분리합니다. - 훈련 세트와 검증 세트의 엄격한 분리
당신은 날짜 범위에 자신을 장님; - 날짜별로 정확히 데이터 분리(전일 x - 훈련, 후 - 검증)
시작점 편향을 피하기 위해 Monte Carlo를 사용합니다. - 시장에서 거래의 진입점에 대한 조정이 없도록 거래 전략의 여러 결과를 생성합니다.
다양한 견고성 트릭을 시도합니다. - 강력한 방법을 적용합니다.
자신을 속이지 않기 위해 또 무엇을 합니까?
첫 번째 것을 제외하고 모든 것이 올바르게 들립니다(그러나 나는 모든 것을 직접 시도하지는 않았습니다). 엄격하게 하나의 훈련 데이터 세트를 사용하고 이에 대한 예측 변수를 선택하면 바로 이러한 예측 변수가 과적합되어 다른 기간에는 신뢰할 수 없는 것 같습니다. 예측 변수를 피팅할 때 이제 모델을 훈련하기 전에 매번 새로운 훈련 및 검증 세트를 생성합니다. 항상 동일한 훈련 및 검증 샘플을 사용하는 것보다 샘플을 3번 재생성하고 모델을 훈련하고 평균 정확도를 취하는 것이 좋습니다.
나는 단백질 신경망 에 대해 그것을 좋아했습니다 :) . 때로는 잘못된 토폴로지로 인해 매우 부적절한 결과를 생성하기도 합니다.
첫 번째 것을 제외하고 모든 것이 올바르게 들립니다(그러나 나는 모든 것을 직접 시도하지는 않았습니다). 엄격하게 하나의 훈련 데이터 세트를 사용하고 이에 대한 예측 변수를 선택하면 바로 이러한 예측 변수가 과적합되어 다른 기간에는 신뢰할 수 없는 것 같습니다. 예측 변수를 피팅할 때 이제 모델을 훈련하기 전에 매번 새로운 훈련 및 검증 세트를 생성합니다. 항상 동일한 훈련 및 검증 샘플을 사용하는 것보다 샘플을 3번 재생성하고 모델을 훈련하고 평균 정확도를 취하는 것이 좋습니다.
나는 단백질 신경망에 대해 그것을 좋아했습니다 :) . 때로는 잘못된 토폴로지로 인해 매우 부적절한 결과를 생성하기도 합니다.
나는 음모를 추가할 것입니다 - 거래된 요소의 과정에서 변경 사항을 제출할 필요가 없습니다.
머리카락으로 늪에서 빠져 나오는 것과 같습니다.
다른 데이터 소스도 찾아보십시오.
이익이 당신과 함께하기를 바랍니다!
:)
그것에 대해 이야기한다면? 자, 미국이 발견되었습니다. 더 많은 정보를 포함하고 싶지만 가격 이력을 제외하고는 그 금액만큼 다른 것을 얻기가 어렵습니다.
머리카락을 잡아 당기는 것은 사실이 아닙니다. 데이터에 신호가 있습니다. 그리고 비용을 충당하고 이익을 얻는 것으로 충분합니다. 역사적으로 확인되었지만 실제로 확인되었습니다. 그리고 그것을 추출할 수 없는 사람들은 탬버린으로 춤을 춥니다. 유리에 대한 개발이 있지만 지금까지는 유리로 무언가를 할 수 있는지 확실하지 않습니다.
***지겹다***
상태는?
나는 퀀텀(대형 투자 펀드의 시니어 퀀텀)의 관점에서 거래 시스템 구축에 대한 좋은 노트를 읽는 것이 좋습니다. 그 아이디어는 나에게 합리적으로 보였다.
...당신은 무엇에 동의하거나 동의하지 않습니까? 무엇을 더 잘 공부하고 싶습니까?
글쎄, 적어도 일반 샘플에서 균일한 분포를 가진 샘플의 예비 무작위 혼합 대신 날짜별로 훈련 및 테스트 샘플로 엄격하게 나눈 다음 부분으로 나눕니다. 결국 수직 추세는 대부분 샘플의 한 부분에 속하고 측면 추세는 두 번째 부분에 속한다는 것이 밝혀질 수 있습니다. 무작위 혼합을 수행하면 샘플의 다른 부분에 유사한 패턴이 밀집될 확률이 줄어듭니다.
그런데 MetaTrader에 내장된 전략 테스터 도 이러한 단점을 가지고 있습니다. 훈련 샘플과 순방향 테스트를 날짜별로 엄격하게 나눕니다. 이 때문에 경계선에 가까운 시장 동향의 변화는 의도적인 재교육으로 이어질 수 있습니다.
얘야, 여기서 나가.
특히 다음이 마음에 들었습니다.
따라서 샘플 내 및 샘플 외를 엄격하게 분리합니다. - 훈련 세트와 검증 세트의 엄격한 분리
당신은 날짜 범위에 자신을 장님; - 날짜별로 정확히 데이터 분리(전일 x - 훈련, 후 - 검증)
시작점 편향을 피하기 위해 Monte Carlo를 사용합니다. - 시장에서 거래의 진입점에 대한 조정이 없도록 거래 전략의 여러 결과를 생성합니다.
다양한 견고성 트릭을 시도합니다. - 강력한 방법을 적용합니다.
자신을 속이지 않기 위해 또 무엇을 합니까?
첫 번째 것을 제외하고 모든 것이 올바르게 들립니다(그러나 나는 모든 것을 직접 시도하지는 않았습니다). 엄격하게 하나의 훈련 데이터 세트를 사용하고 이에 대한 예측 변수를 선택하면 바로 이러한 예측 변수가 과적합되어 다른 기간에는 신뢰할 수 없는 것 같습니다. 예측 변수를 피팅할 때 이제 모델을 훈련하기 전에 매번 새로운 훈련 및 검증 세트를 생성합니다. 항상 동일한 훈련 및 검증 샘플을 사용하는 것보다 샘플을 3번 재생성하고 모델을 훈련하고 평균 정확도를 취하는 것이 좋습니다.
나는 단백질 신경망 에 대해 그것을 좋아했습니다 :) . 때로는 잘못된 토폴로지로 인해 매우 부적절한 결과를 생성하기도 합니다.
***지겹다***
상태는?
아니요. 오래 전에 이것을 이해하려면 더 똑똑해야 합니다. 다음은 개발입니다.
첫 번째 것을 제외하고 모든 것이 올바르게 들립니다(그러나 나는 모든 것을 직접 시도하지는 않았습니다). 엄격하게 하나의 훈련 데이터 세트를 사용하고 이에 대한 예측 변수를 선택하면 바로 이러한 예측 변수가 과적합되어 다른 기간에는 신뢰할 수 없는 것 같습니다. 예측 변수를 피팅할 때 이제 모델을 훈련하기 전에 매번 새로운 훈련 및 검증 세트를 생성합니다. 항상 동일한 훈련 및 검증 샘플을 사용하는 것보다 샘플을 3번 재생성하고 모델을 훈련하고 평균 정확도를 취하는 것이 좋습니다.
나는 단백질 신경망에 대해 그것을 좋아했습니다 :) . 때로는 잘못된 토폴로지로 인해 매우 부적절한 결과를 생성하기도 합니다.
응. 나는 그들의 결과를 정말로 보고 싶다. 보여드릴 것이 있습니다.
그리고 너?
그러나 질문은 수사학적인 것 같습니다.
응. 개발이 진행되고 있는 연도와 그 결과를 어디에서 볼 수 있는지 알려주실 수 있습니까? :)