Diskussion zum Artikel "Der Algorithmus CatBoost von Yandex für das maschinelle Lernen, Kenntnisse von Python- oder R sind nicht erforderlich" - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ich habe auf die Länge des Testzeitraums geachtet. Aber das stabile positive Ergebnis ist auf einen kurzen Zeitraum neben dem Trainingszeitraum - einen Monat - zwei Monate. Sagen wir, wir trainieren über einen Zeitraum von zwei Jahren. Test + ein Monat. Speichern Sie das Ergebnis. Verschieben (oder hinzufügen) für diesen Monat - vor dem Training (Umschulung). Test + Monat. Behalten Sie das Ergebnis. Und so weiter.
Ist dies ein kleiner Zeitraum?
Ich verstehe Ihre Idee, ich habe selbst darüber nachgedacht - ich habe sogar ein Skript erstellt, aber das Training wird blind und auf kleinen Daten erfolgen - es ist zweifelhaft, dass Sie dort etwas erreichen können.
Ist das ein kleiner Zeitraum?
Ich verstehe Ihre Idee, ich habe selbst darüber nachgedacht - ich habe sogar ein Skript erstellt, aber das Training wird blind und auf kleinen Daten erfolgen - es ist zweifelhaft, dass Sie dort etwas erreichen können.
Ich muss es testen, ein gleitendes Fenster ist wie immer frische Daten).
Muss es testen, Schiebefenster ist wie immer frische Daten)
Wer braucht sie? Können Sie feststellen, dass sich der Markt in irgendeiner Hinsicht verändert hat, aber auf eine Art und Weise, die er vorher nicht hatte? Wenn ja und ein solches Ereignis eingetreten ist, dann müssen Sie ein neues Modell trainieren, das die neuen Daten berücksichtigt. Je kleiner Sie das Intervall nehmen, desto besser passt es zu den Daten, da keine allgemeinen Regelmäßigkeiten aufgedeckt werden.
Das Skript schneidet nun eine Stichprobe aus und prüft, was passiert, wenn Sie jeden Monat ein Fenster von 12 Monaten trainieren.
Wer braucht sie? Können Sie feststellen, dass sich der Markt in irgendeiner Hinsicht verändert hat, aber auf eine Art und Weise, wie es vorher nicht der Fall war? Wenn ja und ein solches Ereignis eingetreten ist, dann müssen Sie ein neues Modell unter Berücksichtigung der neuen Daten trainieren. Je kleiner das Intervall ist, desto besser passt es zu den Daten, da keine allgemeinen Regelmäßigkeiten erkennbar sind.
Das Skript schneidet nun eine Stichprobe aus und prüft, was passiert, wenn Sie jeden Monat ein Fenster von 12 Monaten trainieren.
Me))))) Ich habe nur manuell versucht, zumindest spezifisch verschiedene Zustände von BP zu beschreiben. Ich kann nicht sagen, dass es einfach ist) Und das gleitende Fenster hilft einfach. Natürlich ist es eine Frage der Breite, aber die Abschirmung von Emissionen im Fenster ist meiner Meinung nach effektiver als in Filtern. Aber vielleicht liege ich ja falsch)
Hier ein Auszug aus dem Artikel
Ich habe 2 Jahre für das Training gebraucht, jeden neuen Monat trainiert.
Ich lernte 400 Bäume - die Einstellungen für alle Modelle sind die gleichen.
Und EURUSD - hier habe ich ein Jahr lang gelernt, auch jeden Monat
Nein, ich habe oben einen Fehler gemacht - das Beispiel im Artikel ist anders - es ist archiviert - ich werde es jetzt neu machen.
Dies ist die richtige Version.
Schauen Sie sich den Rückruf an - Sie können sehen, dass den Modellen die Kenntnis des Marktes fehlt, mit anderen Worten - der Markt ist variabler als die Informationen im Fenster - insbesondere näher an unseren Tagen.
Zu me))))) Nur manuell versuchen, zumindest spezifisch verschiedene Zustände von BP zu beschreiben. Ich kann nicht sagen, dass es einfach ist) Und das Schiebefenster hilft einfach. Natürlich ist es eine Frage der Breite, aber die Abschirmung von Emissionen im Fenster ist meiner Meinung nach effektiver als in Filtern. Ich kann mich aber auch irren)
Hier oben zeigte, was herauskam, wenn Sie ein Fenster von 12 Monaten nehmen.
Was die Ausreißer anbelangt - wenn das Modell baumbasiert ist und auch Quantifizierung verwendet, werden Sie im Gegenteil umso weniger von Ausreißern betroffen sein, je mehr Informationen Sie geben, da sie statistisch gesehen klein sind.
Es ist das Richtige, das zu tun.
Schauen Sie sich den Rückruf an - Sie können sehen, dass den Modellen die Kenntnis des Marktes fehlt, mit anderen Worten - der Markt ist variantenreicher als die Informationen, die das Fenster treffen - insbesondere näher an unseren Tagen.
Die obige Abbildung zeigt, was herauskam, wenn man ein 12-Monats-Fenster nimmt.
Was die Ausreißer betrifft - wenn das Modell baumbasiert ist und auch die Quantifizierung verwendet, werden Sie im Gegenteil umso weniger von Ausreißern betroffen sein, je mehr Informationen Sie geben, da diese statistisch gesehen klein sind.
Die Breite des Fensters ist sehr wichtig für das Ergebnis des Trainings in Abhängigkeit vom Zustand der Reihe. Und die Breite ist optimal. Eine zu große Periode von Schiebefensterdaten ist genauso schädlich wie eine zu kleine.
Die Breite des Fensters ist wichtig für das Lernergebnis in Abhängigkeit vom Zustand der Zeile. Und die Breite ist optimal. Eine zu große Periode von Schiebefensterdaten ist ebenso schädlich wie eine zu kleine.
Kommen wir von den Abstraktionen zu den Zahlen. Wie viel wird ein kleines Fenster bewirken?
Der Punkt ist, dass Sie vorschlagen, den Marktbedingungen hinterher zu springen, während ich vorschlage, das Wissen über verschiedene Marktbedingungen zu nutzen. Je mehr Wissen sich auf die Geschichte stützt, desto langsamer werden sich die darauf aufbauenden Muster ändern.
Und wie definieren Sie dann die Hyperparameter für eine kleine Stichprobe - wie viele Trainingsiterationen sollten es mindestens sein? Ich habe überall dasselbe gesagt.