Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 496
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
Kann der Wald extrapoliert werden? Ja.
Ist sie gut? Nein.
Was ist gut und was ist schlecht?
Haben Sie eine vergleichende Analyse der verschiedenen Modelle? Und zwar von Anfang an: mit der Eignung bestimmter Prädiktoren für ein bestimmtes Ziel, mit der Eignung eines bestimmten Satzes von Prädiktoren für ein bestimmtes Modell, und dann die Bewertung mit einem obligatorischen Lauf auf einer Datei außerhalb der Trainingsdateien? Mit der Begründung, dass die Modelle nicht übertrainiert sind.
Auf diese Weise wird es möglich sein zu beurteilen, was für eine bestimmte Gruppe von Prädiktoren und Zielen gut und was schlecht ist. Gleichzeitig sollte man sich darüber im Klaren sein, dass es höchstwahrscheinlich einen anderen Satz von Prädiktoren und ein anderes Ziel gibt, das zu einem anderen Ergebnis führen wird.
In meinem speziellen Fall habe ich diese Arbeit gemacht. Das Ergebnis habe ich bereits mehrfach in diesem Thread veröffentlicht. Reihenfolge der Modelle, in absteigender Reihenfolge: ada, rf, SVM. Am schlimmsten ist NS, aber das ist eine alte Version, moderne habe ich nicht benutzt. Dies alles unterliegt den oben genannten Bedingungen.
Hier ist ein interessantes Beispiel, das ich vor einiger Zeit in diesen Thread gestellt habe.
Eine Extrapolation wäre in diesem Fall eine Vorhersage außerhalb der "Wolke der bekannten Punkte".
Wenn bekannte Punkte gut geclustert sind, stellt die Extrapolation für die meisten Modelle kein Problem dar.
Wären die bekannten Punkte jedoch zufälliger angeordnet, ohne offensichtliche Cluster, dann wäre die Vorhersage selbst schlechter und die Extrapolation nicht glaubwürdig.
Es dreht sich alles um die Prädiktoren. Wenn man Unsinn in das Modell einbaut, kann man nicht wirklich gut extrapolieren.
Bei Devisengeschäften ist es unwahrscheinlich, dass ich ideale Prognosen finde, und ich würde niemals mit Extrapolationen auf der Grundlage von Finanzdaten handeln.
Die Extrapolation ist eine Vorhersage für unbekannte Punkte. Wenn die Punkte außerhalb der Maximal- und Minimalwerte der Trainingsstichprobe liegen, gibt RF immer die Maximal- und Minimalwerte der trainierten Stichprobe aus.
Sind Sie einfach nur verwirrt durch die Annäherung an die M-Bewertung?
Hier ist ein interessantes Beispiel, das ich vor einiger Zeit in diesem Thread veröffentlicht habe.
Eine Extrapolation würde eine Vorhersage außerhalb der "Wolke der bekannten Punkte" bedeuten.
Wenn die bekannten Punkte gut geclustert sind, dann ist die Extrapolation für die meisten Modelle kein Problem.
Wären die bekannten Punkte jedoch zufälliger angeordnet, ohne offensichtliche Cluster, dann wäre die Vorhersage selbst schlechter und die Extrapolation nicht glaubwürdig.
Es dreht sich alles um die Prädiktoren. Wenn man Unsinn in das Modell einbaut, kann man nicht wirklich gut extrapolieren.
Und ich würde niemals mit Finanzdaten handeln, die auf Extrapolation beruhen.
Die Frage des Vertrauens in Statistiken im Allgemeinen ist eine philosophische Frage.
Hier ist eine Klassifizierung.
Trifft der Begriff der Extrapolation auf sie zu? Meiner Meinung nach nicht. Bei der Klassifizierung werden Muster gefunden, und dann wird versucht, neue Daten nach diesen Mustern zu verteilen.
Extrapolation in analytischen Modellen, die eine Funktion in analytischer Form haben.
UND ARIMA? Ist darin eine Extrapolation enthalten? Es kommt darauf an, was. Das Modell selbst nimmt die letzten paar Takte ein, in der Regel überhaupt einen. Die Auswahl der Parameter erfordert jedoch Tausende von Balken. Dieser Tausender wird extrapoliert, der Tausender aus der letzten Berechnung nicht.
Ich glaube nicht, dass die Extrapolation in ihrem mathematischen Sinne auf die Finanzmärkte anwendbar ist.
Die Frage des Vertrauens in Statistiken im Allgemeinen ist eine philosophische Frage.
Hier ist eine Klassifizierung.
Trifft der Begriff der Extrapolation auf sie zu? Meiner Meinung nach nicht. Bei der Klassifizierung werden Muster gefunden, und dann wird versucht, neue Daten nach diesen Mustern zu verteilen.
Extrapolation in analytischen Modellen, die eine Funktion in analytischer Form haben.
UND ARIMA? Ist darin eine Extrapolation enthalten? Es kommt darauf an, was. Das Modell selbst nimmt die letzten paar Takte ein, in der Regel überhaupt einen. Die Auswahl der Parameter erfordert jedoch Tausende von Balken. Dieser Tausender wird extrapoliert und der Tausender aus der letzten Berechnung nicht.
Ich glaube nicht, dass die Extrapolation im mathematischen Sinne auf die Finanzmärkte anwendbar ist.
Die Extrapolation in der MO ist die Fähigkeit eines Modells, mit neuen Daten zu arbeiten, und sie ist eine besondere Art der Annäherung. Bei einer Trainingsstichprobe nimmt Ihr Modell eine ANNAHME vor, bei neuen Daten, die nicht in der Trainingsstichprobe enthalten sind, EXTRAPOLISIERT es.
Deshalb habe ich ein Beispiel mit linearer Regression im Vergleich zu XGboost gegeben, das Sie nicht sorgfältig gelesen haben. Die lineare Regression extrapoliert perfekt, während alles, was mit Entscheidungsbäumen zu tun hat, aufgrund der Struktur der Entscheidungsbäume NICHT extrapolieren kann.
Dielineare Regression existiert im Allgemeinen und extrapoliert insbesondere NUR auf stationäre Reihen mit normalverteilten Residuen des Modells. Es gibt eine Vielzahl von Anwendungsbeschränkungen, die diese Art von Modell für Finanzreihen unbrauchbar machen.
Oder man beschäftigt sich mit der ANWENDBARKEIT der Modelle auf seine spezifischen Daten, dann handelt es sich um Modellierung, in allen anderen Fällen ist es ein Zahlenspiel.
Viele Beiträge in diesem Thread sind Zahlenspiele, denn es werden keine Beweise für das Gegenteil angeführt.
Dielineare Regression existiert im Allgemeinen und extrapoliert insbesondere NUR auf stationäre Reihen mit normalverteilten Residuen des Modells. Es gibt eine Vielzahl von Anwendungsbeschränkungen, die diese Art von Modell für Finanzreihen unbrauchbar machen.
Oder man beschäftigt sich mit der ANWENDBARKEIT der Modelle auf seine spezifischen Daten, dann ist es Modellierung, in allen anderen Fällen ist es ein Zahlenspiel.
Eine große Anzahl von Beiträgen in diesem Thread ist ein Zahlenspiel, denn es wird kein Beweis für das Gegenteil erbracht.
Was hat die lineare Regression damit zu tun? Die Frage war, wie man das Gerüst richtig einsetzt, um dumme Fehler zu vermeiden, wie z.B. zu denken, dass man EXTRAPOLIEREN kann.
Geben Sie eine Zeitreihe in Form von Anführungszeichen in den Wald ein, und das Modell wird nur den maximalen und minimalen Wert der untersuchten Reihe bei neuen Daten vorhersagen, wenn er über den Bereich hinausgeht
Was für ein Durcheinander, meine Herren...
ein paar Informationen von KO:
Auf den Finanzmärkten ist die Extrapolation/Interpolation anwendbar und sehr gefragt.
Wenn es "anwendbar und gefragt" ist, warum haben Sie dann in all den Jahren keinen erfolgreichen TS gemacht?
P.S. Ich höre eine Katze bellen... Richtig, ich glaube, Aliosha hat wieder etwas geschrieben!
Was für ein Chaos, meine Herren...
ein paar Informationen von KO:
Extrapolation und Interpolation sind im Zusammenhang mit MO dasselbe! In beiden Fällen müssen Sieden Wert (int,float[]) eines Punktes ermitteln, der NICHT mit dem Punkt im Trainingsdatensatz übereinstimmt. Vorbehalte über die Lage des Punktes im Hyperraum, in Bezug auf die Ausbildung Punktwolke, ist UNMÖGLICH, da alles hängt von den Merkmalen, die Struktur des Merkmals Raum, in einer Projektion wird ein Punkt "außerhalb" der Ausbildung Wolke, in einem anderen "innerhalb" ist nicht wichtig, es macht nur Sinn, was nicht im Training, Punkt.
Zusammenfassend lässt sich sagen: Wenn der Punkt nicht im Trainingsdatensatz enthalten ist, wird das Ergebnis seiner Klassifizierung oder Regression sowohl eine Extrapolation als auch eine Interpolation sein, je nach der endgültigen Interpretation des Ergebnisses durch den Fachbereich, aber für den MO-Algorithmus sind sie eins und eins.
Der Wald extrapoliert - großartig! In den richtigen Händen besser und um Größenordnungen schneller als NS.
Auf den Finanzmärkten ist die Extrapolation/Interpolation anwendbar und sehr gefragt.
Ein separater Ratschlag an Maxim: Ein kluger Mensch irrt sich öfter als ein Narr, weil er viel mehr Tests macht, aber nur der Narr ist emotional an seinem Standpunkt gebunden und es fällt ihm schwer, sich davon zu trennen. Man wählt, wer man ist)))
Ok, nennen Sie mir mindestens einen Artikel mit einem Beispiel, das zeigt, wie gut das Gerüst extrapoliert. Ich konnte keine finden.
Das ist meiner Meinung nach nicht gut.
und woher soll man wissen, wann der Punkt innerhalb und wann außerhalb der Wolke liegt, wenn man viele verschiedene Merkmale hat, und wie wichtig ist das, wenn der Bereich der Zielwerte beim Training, wenn alle Bäume aufgebaut sind, dann kann das Ziel diesen Bereich NIEMALS verlassen
Die lineare Regression eignet sich hervorragend für die Extrapolation, während alles mit Entscheidungsbäumen NICHT extrapoliert werden kann.
Bei der Extrapolation geht es um die Vorhersage neuer Daten, die über die beim Training bekannten Prädiktorenwerte hinausgehen.
Hier ist ein Ausschnitt aus einem alten Bild, alles grün schattierte ist Extrapolation, und das Bild zeigt, dass der Wald weiß, wie man es macht, sonst wäre es weiß gefärbt (wie im Fall einiger SVM-Modelle)
Sowohl Wald, neuronales Netz als auch lineares Modell können extrapolieren. Wenn Sie Vorhersagen machen wollen, die weit von bekannten Werten entfernt sind, dann werden alle diese Modelle eine Vorhersage liefern, und sie haben alle eine Art Algorithmus für solche Fälle.
Aber warum glauben Sie, dass ein lineares Modell, das nach der Formel y=ax+b extrapoliert, perfekt funktioniert, während ein Waldmodell, das den nächsten bekannten Nachbarn verwendet, nutzlos ist? Beide Algorithmen haben ihre Daseinsberechtigung. Wie SanSanych sagte - für jeden Satz von Prädiktoren und Zielen zu erforschen und vergleichen Sie die Modelle, nur dann können Sie sagen, ob das Modell tut Extrapolation perfekt.
Was in den Artikeln über die hubra geschrieben wird - gilt auch für bestimmte Prädiktoren und Ziele, es ist nicht die Wahrheit, die für alle Fälle funktioniert, es ist eine spezifische Studie für einen bestimmten Fall.
Die Extrapolation beinhaltet die Vorhersage neuer Daten, die über die beim Training bekannten Prädiktorenwerte hinausgehen.
Hier ist ein Ausschnitt aus einem alten Bild, alles, was grün schattiert ist, ist Extrapolation, und nach dem Bild zu urteilen, kann der Wald das, sonst wäre alles weiß (wie bei einigen SVM-Modellen)
Sowohl Wald, neuronales Netz als auch lineares Modell können extrapolieren. Wenn Sie Daten eingeben, die weit von den bekannten Werten entfernt sind, werden alle diese Modelle eine Vorhersage machen, denn sie verfügen über Algorithmen für solche Fälle.
Aber warum glauben Sie, dass ein lineares Modell, das nach der Formel y=ax+b extrapoliert, perfekt funktioniert, während der Wald, der den nächsten bekannten Nachbarn verwendet, nichts ausrichten kann? Beide Algorithmen haben ihre Daseinsberechtigung. Wie SanSanych sagte - für jeden Satz von Prädiktoren und Zielen zu erforschen und vergleichen Sie die Modelle, nur dann können Sie sagen, ob das Modell tut Extrapolation perfekt.
Was in den Artikeln über hubra steht, gilt auch für bestimmte Prädiktoren und Ziele, es ist keine Wahrheit, die für alle Fälle gilt, sondern eine spezifische Fallstudie.
Sie müssen nur eine Baumstudie durchführen.