Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2210

 
Maxim Dmitrievsky:
Dies ist ein Gespräch mit offenem Ausgang. Jeder Fall ist einzigartig. Die einfache Antwort ist, rückwärts zu "lehren" und zu vergleichen

Eine Reihe zu drehen ist ungefähr so, als würde man Wasser nach oben fließen lassen. Sie können es versuchen, aber intuitiv habe ich es noch nicht verstanden.

 
fxsaber:

Eine Reihe zu drehen ist ungefähr so, als würde man Wasser nach oben fließen lassen. Sie können es versuchen, aber intuitiv habe ich es noch nicht verstanden.

Nicht die Reihe, sondern der Praktikant und der Oos-Tausch
 
Maxim Dmitrievsky:
Nicht eine Reihe, sondern ein Zug und Oos

Das geht nicht, denn die 2 Jahre auf der rechten Seite sprießen auf jedem Dünger.

Das ist ungefähr so, als würde man auf den Seychellen ein Muster finden, das eine Daunenjacke für den Fall eines Gletschers benötigt.

 
fxsaber:

Dies ist nicht möglich, da die 2-jährigen Pflanzen auf der rechten Seite auf jedem Dünger sprießen.

Das ist in etwa so, als würde man auf den Seychellen eine Daunenjacke für den Fall eines Gletschers brauchen.

Es handelt sich also nicht um ein allgemeines Muster, sondern um ein lokales, das gefunden wurde. Ändern Sie dann die Einstellungen und heben Sie sie auf, damit sie in beide Richtungen funktioniert.
 
Maxim Dmitrievsky:
Es handelt sich also nicht um ein allgemeines Muster, sondern um ein lokales. Dann muss ich die Einstellungen ändern, damit es in beide Richtungen funktioniert.

Danke, ich werde darüber nachdenken. Offensichtlich handelt es sich nicht um eine typische Situation.

 
fxsaber:

Danke, ich werde darüber nachdenken. Das ist offenbar keine typische Situation.

Was können wir tun, wenn wir nichts über die allgemeine Bevölkerung wissen? Nur um auf unterschiedliche Weise anzugeben, je nach Art der TK. Bei MO treten solche Probleme seltener auf, da es möglich ist, alle Proben zu vermischen. Mischen Sie andere Stichproben ein, dann gibt es kein Überlernen auf einem bestimmten Slice. Auf herkömmliche Weise nehmen Sie sich einen Monat im Jahr und trainieren ihn. Der Rest ist OOS.
 
fxsaber:

Das Problem besteht darin, diese Menge zu identifizieren. Als Nächstes ermitteln wir natürlich die Leistung der profitablen Teilmenge von Einstellungen. Und wenn sie im Verhältnis zur ursprünglichen Menge groß ist, haben wir sie gefunden.

Aber um die ursprüngliche Menge zu bestimmen - es muss eine Art von Genetik sein. Nicht im Thema, im Allgemeinen.

Klassischer logischer Ansatz - Aufgliederung der Einstellungen nach Wichtigkeit und Stärke (Klassen wie) und Kombinationen wie bei der Logik sinnvoll und stark. sinnvoll und schwach, nicht sinnvoll und stark, nicht sinnvoll und schwach. Dies ist, wenn 2 Klassen von Einstellungen, wenn mehr als geometrische oder schlechter mit der Dimensionalität der Zahl und Wert Exponent ) Fluch... Heilung durch kluge Wahl.

 
Maxim Dmitrievsky:

Ich habe herausgefunden, wie man "minimale" neuroncu aus fast jedem Paket, das für Klassifizierung oder Regression ausgelegt ist, trainieren kann

Das Wichtigste ist, dass Sie mit dem Paket auf die Gewichte des neuronalen Netzes zugreifen und diese ändern können.


Das Rezept lautet wie folgt.

1) Trainieren Sie das neuronale Netz, egal wie, die Hauptsache ist, ein Modell mit Gewichten zu erhalten

2) Wahl der Optimierungsmethode (Genetik, Muravi, Schwarmverhalten, Glühsimulation, usw.)

3) schreibe eine Fitnessfunktion

4) die Gewichte des Neurons nehmen und sie als Parameter für die Optimierung darstellen

alle!!! )))

Sie können neuronka für Profit trainieren, oder es dazu bringen, eine Art Mega-Indikator oder was auch immer zu erstellen.

 
mytarmailS:

Ich habe herausgefunden, wie man mit fast jedem Paket, das für Klassifizierung oder Regression ausgelegt ist, ein "minimales" Neuron trainieren kann.

Das Wichtigste ist, dass das Paket Ihnen den Zugriff auf neuronale Skalen und deren Änderung ermöglicht.


Das Rezept lautet wie folgt.

1) Trainieren Sie das neuronale Netz, egal wie, die Hauptsache ist, ein Modell mit Gewichten zu erhalten

2) Wahl der Optimierungsmethode (Genetik, Muravi, Schwarmverhalten, Glühsimulation, usw.)

3) schreibe eine Fitnessfunktion

4) die Gewichte des Neurons nehmen und sie als Parameter für die Optimierung darstellen

alle!!! )))

Sie können neuronka so trainieren, dass es einen Gewinn erzielt oder eine Art Mega-Indikator erstellt oder was auch immer.

mytarmailS: MytarmailS: MytarmailS: MytarmailS: MytarmailS: MytarmailS: MytarmailS: Man kann ein Neuron so trainieren, dass es Gewinne macht, man muss ihm nur beibringen, nicht zu verlieren)))), aber es gibt ein Problem: Das Gitter hört auf, Positionen zu eröffnen, um die Einlage zu sparen. Ich habe es ausprobiert. Mit verschiedenen Methoden, mit und ohne Stopps, ist das Ergebnis dasselbe, das Gitter entscheidet schließlich, dass der beste Weg, um Gewinne zu machen, darin besteht, die Einlage zu behalten

 
Maxim Dmitrievsky:

das Neuron aus dem Artikel feuert auf das echte Ding.


und wie geht das?

Grund der Beschwerde: