Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1139
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
Ja, der Fehler ist zweifellos eine Meldung wert. Darf ich Ihren Bericht als Beispiel verwenden?
Die Passform ist überall, egal wie man es betrachtet, die Frage ist, wie man sie auf ein akzeptables Maß reduzieren kann.
Natürlich können Sie ihn verwenden, dieser Bericht enthält nichts Wertvolles!
Über die Anpassung, hier und ich denke, was damit zu tun, auf der einen Seite mit einer begrenzten Anzahl von Kombinationen, die auf die Geschichte in Form von Blättern sollte die Wirkung der Anpassung zu reduzieren, aber auf der anderen Seite sehe ich, dass 60 % der Blätter, die auf der Ausbildung Probe aufhören zu arbeiten auf der Testprobe. Es geht darum, zu verstehen, wie sich die Geschichte verändert hat, was genau passiert ist, dass das, was funktioniert hat, nicht mehr funktioniert.
Eine große Anzahl von Prädiktoren ist wie eine große Anzahl von Sternen am Himmel, und aufgrund ihrer Häufung können sich eine Reihe von verschiedenen Konstellationen ergeben, die von Planeten anderer Sonnensysteme aus nicht zu sehen sind, und die Anzahl der Kombinationen übersteigt die Anzahl der Markteintritte - deshalb gibt es eine Anpassung.
Natürlich können Sie ihn verwenden, dieser Bericht enthält nichts Wertvolles!
Einerseits sollte die Verwendung einer begrenzten Anzahl von Kombinationen, die aus der Historie in Form von Blättern gewonnen wurden, den Effekt der Anpassung verringern, andererseits sehe ich aber, dass 60 % der Blätter, die bei der Trainingsstichprobe funktionieren, bei der Teststichprobe nicht mehr funktionieren. Es geht darum, zu verstehen, wie sich die Geschichte verändert hat, was genau passiert ist, dass das, was funktioniert hat, nicht mehr funktioniert.
Die große Zahl der Prädiktoren ist wie eine große Zahl von Sternen am Himmel - und aufgrund ihrer Häufung können wir viele verschiedene Konstellationen erfinden, die von den Planeten anderer Sonnensysteme aus nicht zu sehen sind, und die Zahl der Kombinationen übersteigt die Zahl der Markteintritte - das ist es, was die Anpassung verursacht.
Anpassungen in der Ausbildung hat es immer gegeben und wird es immer geben, egal was irgendjemand sagt, aber sie müssen mit hoher Qualität durchgeführt werden, und dann wird es mehr Arbeitsurlaub geben.
Im übertragenen Sinne kann man den Handel mit dem Training mit einem Sprung von einem Sprungbrett vergleichen, der beschleunigt und träge durch das OOS fliegen würde.
Wenn die Aktienkurve dieser Stichprobe jedoch gekrümmt und holprig erscheint, sollten Sie nicht mit einem guten Sprung rechnen.)
Einerseits sollte die Verwendung einer begrenzten Anzahl von Kombinationen, die in der Vergangenheit in Form von Blättern erhalten wurden, den Effekt der Anpassung verringern, aber andererseits sehe ich, dass 60 % der Blätter, die in der Trainingsstichprobe funktionieren, in der Teststichprobe nicht mehr funktionieren. Es geht darum, zu verstehen, wie sich die Geschichte verändert hat, was genau passiert ist, dass das, was funktioniert hat, nicht mehr funktioniert.
Die große Zahl der Prädiktoren ist wie eine große Zahl von Sternen am Himmel, und aufgrund ihrer Häufung kann man eine Reihe verschiedener Konstellationen bilden, die von Planeten anderer Sonnensysteme aus nicht zu sehen sind, und die Zahl der Kombinationen übersteigt die Zahl der Markteintritte - deshalb gibt es eine Anpassung.
Es ist eine Milliarden-Dollar-Frage IMHO jede Induktion ist eine Anpassung, MO ist nur Statistik, außer Kontrolle Theorie, Engineering-Statistik, die nicht verschmähen Heuristiken und Krücken, und Statistik ist eine oder andere Durchschnitte, Durchschnitte, Durchschnitte von Abweichungen von Durchschnittswerten, etc, Nun, wir alle erinnern uns an das Gleichnis von "Russell dem Huhn", dessen Besitzer das Huhn ein paar hundert Mal füttert (eine statistisch signifikante Zahl), aber nur absichtlich, damit er es einmal schlachtet ((( Vielleicht macht Doll das Gleiche.
Eine Frage zum Nachdenken:
Es gibt viele Strategien, die auf die Vergangenheit abgestimmt sind, und es gibt viele Strategien, die bei neuen Daten gute Ergebnisse liefern. Wie unterscheiden sich diese beiden Strategien voneinander, wenn Sie sie in der Vergangenheit anwenden?
Eine Frage zum Nachdenken:
Es gibt viele Strategien, die auf die Vergangenheit abgestimmt sind, und es gibt viele Strategien, die bei neuen Daten gute Ergebnisse liefern. Wie unterscheiden sich diese beiden Strategien voneinander, wenn Sie sie in der Vergangenheit anwenden?
Nichts. Beide Klassen von Strategien werden an die Historie angepasst.
Vielleicht sind die Ziele und Mittel einer solchen Anpassung unterschiedlich, aber das können wir, die wir nicht die Autoren sind, nicht herausfinden).
Eine Frage zum Nachdenken:
Es gibt viele Strategien, die auf die Vergangenheit abgestimmt sind, und es gibt viele Strategien, die bei neuen Daten gute Ergebnisse liefern. Wie unterscheiden sich diese beiden Strategien voneinander, wenn Sie sie in der Vergangenheit anwenden?
))))))))))))))))))))))))))))))))))))))).............
))))))))))))))))))))))))))))))))))))))).............
Eine Frage zum Nachdenken:
Es gibt viele Strategien, die auf die Vergangenheit abgestimmt sind, und es gibt viele Strategien, die bei neuen Daten gute Ergebnisse liefern. Wie unterscheiden sich diese beiden Strategien voneinander, wenn Sie sie in der Vergangenheit anwenden?
Die Frage ist berechtigt.
Unter der Voraussetzung, dass wir dem Modell beim Training und bei der Kontrolle EIN EINZIGES beibringen, wird die Fehlerkurve in etwa so aussehen
Übertraining ist der Zeitpunkt, an dem die Divergenz beginnt (bei 19. n auf dem Bild), daher die Antwort auf Ihre Frage: Das überangepasste Modell wird in der Historie VIEL besser sein als das Modell der Kontrolle. Im Idealfall sollte die Kurve des Eigenkapitals in der Historie und in der Kontrolle (OOS) ununterscheidbar sein. Also, lokaler "Guru" sagt über "gleiches Sprungbrett", es ist umgekehrt, man kann nicht sehen, wo die Geschichte zu Ende ist und wo die Prüfung begann.
Meine Herren Experten für MO.
Wer kann einen Link zur Erstellung eines Lernneurons für die grafische Darstellung einer Funktion angeben?
Die Frage ist richtig.
Unter der Annahme, dass wir dem Modell das EINE und das Gleiche beibringen, im Training und in der Kontrolle, wird die Fehlerkurve ungefähr so aussehen
Das Übertrainieren ist der Zeitpunkt, an dem die Divergenz beginnt (etwa bei 19 n in der Abbildung). Daher lautet die Antwort auf Ihre Frage, dass das übertrainierte Modell in der Vergangenheit SEHR BESSER sein wird als das Kontrollmodell. Im Idealfall sollte die Kurve des Eigenkapitals in der Historie und die der Kontrolle (OOS) ununterscheidbar sein. Das heißt, Ansprüche der lokalen "Gurus" über "Ebene Sprungbrett" - reiner Unsinn, genau das Gegenteil, es sollte nicht sichtbar sein, wo die Geschichte endete und wo die Kontrolle begann.
Ausgleichen von 2 Auswahlen, das ist alles. Wird nicht vor dem Scheitern am 3. retten, dennoch ist der Ansatz richtig