모든 문제는 모델에 있는 것이 아니라 예측 변수 집합과 예비 준비에 있습니다. 특정 예측 변수 집합을 사용하면 NOT 과적합 모델을 구축하는 능력과 오류의 크기는 모델의 변화에 거의 의존하지 않습니다. 따라서 "원칙적으로 적합한"모델에서 가장 간단하고 빠른 모델을 선택해야합니다.
추신.
내 자신의 경험에서. 나에게 있어 TS 구축의 복잡성 중 75% 이상이 특정 대상 변수에 대해 그러한 집합을 선택할 수 있는 경우 예측 변수를 선택하는 것입니다.
San Sanych, 안녕하세요
그러나 귀하의 방법에 따라 훈련 중 교차하지 않는 3개의 데이터 세그먼트에서 예측 변수의 중요성이 다른 경우 예측 변수가 비정상(노이즈 등)이어야 합니까?
모든 문제는 모델에 있는 것이 아니라 예측 변수 집합과 예비 준비에 있습니다. 특정 예측 변수 집합을 사용하면 NOT 과적합 모델을 구축하는 능력과 오류의 크기는 모델의 변화에 거의 의존하지 않습니다. 따라서 "원칙적으로 적합한"모델에서 가장 간단하고 빠른 모델을 선택해야합니다.
추신.
내 자신의 경험에서. 나에게 있어 TS 구축의 복잡성 중 75% 이상이 특정 대상 변수에 대해 그러한 집합을 선택할 수 있는 경우 예측 변수를 선택하는 것입니다.
어떤 모델, 무슨 말을 하는 겁니까 ... 마치 사람 이 "지금 몇시입니까?"라고 묻는 것과 같습니다. , 그리고 그들은 그에게 "내가 당신을 위해 무엇을 춤을 추기를 원하십니까?"라고 대답합니다. :)
모든 패키지(모델)는 두 가지 범주로 나눌 수 있습니다.
"원칙적으로 적합한" 패키지의 효과는 거의 동일하며 차이점은 중요하지 않습니다.
모든 문제는 모델에 있는 것이 아니라 예측 변수 집합과 예비 준비에 있습니다. 특정 예측 변수 집합을 사용하면 NOT 과적합 모델을 구축하는 능력과 오류의 크기는 모델의 변화에 거의 의존하지 않습니다. 따라서 "원칙적으로 적합한"모델에서 가장 간단하고 빠른 모델을 선택해야합니다.
추신.
내 자신의 경험에서. 나에게 있어 TS 구축의 복잡성 중 75% 이상이 특정 대상 변수에 대해 그러한 집합을 선택할 수 있는 경우 예측 변수를 선택하는 것입니다.
San Sanych, 안녕하세요
그러나 귀하의 방법에 따라 훈련 중 교차하지 않는 3개의 데이터 세그먼트에서 예측 변수의 중요성이 다른 경우 예측 변수가 비정상(노이즈 등)이어야 합니까?
모든 패키지(모델)는 두 가지 범주로 나눌 수 있습니다.
"원칙적으로 적합한" 패키지의 효과는 거의 동일하며 차이점은 중요하지 않습니다.
모든 문제는 모델에 있는 것이 아니라 예측 변수 집합과 예비 준비에 있습니다. 특정 예측 변수 집합을 사용하면 NOT 과적합 모델을 구축하는 능력과 오류의 크기는 모델의 변화에 거의 의존하지 않습니다. 따라서 "원칙적으로 적합한"모델에서 가장 간단하고 빠른 모델을 선택해야합니다.
추신.
내 자신의 경험에서. 나에게 있어 TS 구축의 복잡성 중 75% 이상이 특정 대상 변수에 대해 그러한 집합을 선택할 수 있는 경우 예측 변수를 선택하는 것입니다.
어떤 모델, 무슨 말을 하는 겁니까 ... 마치 사람 이 "지금 몇시입니까?"라고 묻는 것과 같습니다. , 그리고 그들은 그에게 "내가 당신을 위해 무엇을 춤을 추기를 원하십니까?"라고 대답합니다. :)
절대, 제발, 아니, 다시는 이렇게 하지 마
누군가가 관심을 가질 것입니다. 거래를 시뮬레이션하고 quantstrat 라는 거래 시스템을 구축할 수 있는 패키지를 찾았습니다.
http://www.rinfinance.com/agenda/2013/workshop/Humme+Peterson.pdf
San Sanych, 안녕하세요
그러나 귀하의 방법에 따라 훈련 중 교차하지 않는 3개의 데이터 세그먼트에서 예측 변수의 중요성이 다른 경우 예측 변수가 비정상(노이즈 등)이어야 합니까?
예측 변수의 중요성은 모델을 훈련할 때 한 번만 얻습니다. 그러면 이 모델은 학습된 것이 아니라 적용됩니다.
내가 기억하는 한 그곳에서 여러 번 훈련을 받아야 합니까?
예, 어떤 식 으로든 아닙니다!
다시.
1. 예를 들어 10,000개의 관측치(행)와 같은 예측 변수 시계열의 큰 조각을 취합니다.
2. 엄격하게 기계적으로 두 부분으로 나눕니다. 첫 번째 부분 7000개와 두 번째 부분 3000개
3. 첫 번째 부분은 학습, 테스트 및 검증을 위해 무작위로 세 부분으로 나뉩니다.
4. 훈련을 위해 샘플에서 모델을 가르칩니다(조정 - 맞춤).
5. 훈련된 모델을 샘플 테스트, 검증에 적용합니다.
6. 세 가지 샘플(훈련, 테스트 및 검증) 모두에서 오류가 거의 같으면 항목 7입니다.
7. 두 번째 부분에 모델 모델을 적용합니다. 이 부분은 시계열 이 깨지지 않는 시계열입니다.
8. 이 섹션의 오류가 앞의 세 가지 오류와 거의 같으면 다음을 수행합니다.
예, 어떤 경우에도 아닙니다!
다시.
1. 예를 들어 10,000개의 관측치(행)와 같은 예측 변수 시계열의 큰 조각을 취합니다.
2. 엄격하게 기계적으로 두 부분으로 나눕니다. 첫 번째 부분 7000개와 두 번째 부분 3000개
3. 첫 번째 부분은 학습, 테스트 및 검증을 위해 무작위로 세 부분으로 나뉩니다.
4. 훈련을 위해 샘플에서 모델을 가르칩니다(조정 - 맞춤).
5. 훈련된 모델을 샘플 테스트, 검증에 적용합니다.
6. 세 가지 샘플(훈련, 테스트 및 검증) 모두에서 오류가 거의 같으면 항목 7입니다.
7. 두 번째 부분에 모델 모델을 적용합니다. 이 부분은 시계열이 깨지지 않는 시계열입니다.
8. 이 섹션의 오류가 앞의 세 가지 오류와 거의 같으면 다음을 수행합니다.
그래서 - 두뇌와 시간만으로는 충분하지 않습니다.
대상 변수로 시작하여 의미에 따라 예측 변수를 선택한 다음 수학 등으로 다시 확인해야 합니다. 어쨌든 그 과정은 지루하고 나에게 공식화되지 않았습니다.
그래서 - 두뇌와 시간이 충분하지 않습니다.
대상 변수로 시작하여 의미에 따라 예측 변수를 선택한 다음 수학 등으로 다시 확인해야 합니다. 어쨌든 그 과정은 지루하고 나에게 공식화되지 않았습니다.