Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1546
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
Überlernen im Sinne einer schwachen Generalisierung. Ich habe oben bereits geschrieben, wie man das Problem umgehen kann, aber es gibt sicher noch elegantere Lösungen
Es gibt überhaupt kein Problem mit der Qualität der Ausbildung im Zug + valide.
Vielleicht liegt es an den Daten. Es ist nicht das erste Mal, dass ich von verschiedenen Ausbildern höre, dass homogene Daten, wie z. B. Inkremente, besser für NS geeignet sind und Bäume verschiedener Typen besser mit uneinheitlichen Daten funktionieren - Muster, Nachrichten, Risikofaktoren, Zeit, Ereignisse, Aktiendichte, offenes Interesse, Volumen.
Wenn Sie nicht wissen, wie man das macht, werden Sie vielleicht vom Unterschied zwischen den Signalen der offenen und geschlossenen Kurse überrascht sein.
Ich sehe, dass jeder versucht, ein Netzwerk mit Hilfe eines Lehrers zu trainieren.
Hat jemand versucht, das Netz mit einer Zielfunktion zu trainieren, z. B. mit dem Erholungsfaktor?
Ich wähle Blätter aus und erstelle daraus ein Modell nach meinen Parametern.
Das ist nicht der Fall.
Bei XGBoost ist der erste Baum das grobe Modell. Die anderen korrigieren die erste, und zwar um einen mikroskopischen Faktor. Einzeln kann man dort nichts bewirken, sie liefern nur in der Gesamtheit ein gutes Ergebnis.In catbust offenbar das gleiche Grundprinzip, mit seinen eigenen Besonderheiten.
Ich stehe dem auch skeptisch gegenüber, außer um den Baum authentischer zu machen - ich bereite jetzt Daten für 6 Splits vor, ich glaube nicht, dass das reicht.
Das Wesen der Gewichtung besteht jedoch gerade darin, alle Blätter des Modells auf einer periodengerechten Basis zu bewerten, und es ist nicht auszuschließen, dass es ein gutes Muster unter ihnen gibt, weil das Prinzip der Blattkonstruktion beachtet wird und die unabhängige Konstruktion durch Gier berücksichtigt und dann auf Baumverbesserung und Bewertung geprüft wird. Schauen wir mal.
Vielleicht liegt es also an den Daten. Nicht zum ersten Mal höre ich von verschiedenen Dozenten, dass homogene Daten wie Inkremente besser geeignet sind, um NS zu füttern, während Bäume unterschiedlicher Art besser mit heterogenen Daten funktionieren - Muster, Nachrichten, Risikokennzahlen, Zeit, Ereignisse, Cup-Dichte, offenes Interesse, Volumen.
Übrigens, über Inkremente, haben Sie versucht, durch ATR, oder Prozentsatz der Schlusskurs, anstatt in Pips zu messen?
Ich weiß nicht, was ich messen soll, es ist mir egal.
Du kämpfst mit der falschen Sache... Es ist mir scheißegal, was du misst.
Im Gegenteil, ich dachte, die Umstellung auf natürliche Werte würde sich auswirken, da ich alle Werte normalisiert und quantisiert (in Bereiche unterteilt) habe, und es stellte sich heraus, dass sich die Lernleistung erheblich verschlechterte, als ich die reinen Zahlen verließ. Mir ist jetzt klar, dass die Vorverarbeitung der Daten einen Unterschied macht.
Im Gegenteil, ich dachte, die Umstellung auf natürliche Werte würde sich auswirken, da ich alle Werte normalisiert und quantisiert (in Bereiche unterteilt) habe, und es stellte sich heraus, dass das Lernen erheblich beeinträchtigt wurde, als ich die reinen Zahlen verließ. Es ist mir jetzt klar, dass die Vorverarbeitung der Daten einen Unterschied macht.
Nun, du hast deine eigene bizarre Welt da draußen, mit ihren eigenen Biestern )) Ich verwende nur Inkremente und ihre Gegenstücke, und manchmal nur Preise, wie es die Väter befohlen haben
Nun, du hast deine eigene bizarre Welt da draußen, mit ihren eigenen Biestern )) Ich verwende nur Inkremente und ihre Gegenstücke, und manchmal nur Preise, wie es die Väter befohlen haben
Vielleicht werde ich zwei Stichproben mit Ihren und meinen Prädiktoren kreuzen, einfach um des Experiments willen?
Wie wäre es, zwei Stichproben mit Ihren und meinen Prädiktoren zu kreuzen, nur um zu experimentieren?
Warum? Alle Prädiktoren werden von Rückkehrern abgeleitet. Fügen Sie einfach die Rückgaben zu Ihren hinzu und betrachten Sie sie als gekreuzt.
Der Grund: Alle Vorhersagen werden von den Erträgen abgeleitet. Fügen Sie einfach die Renditen zu Ihren hinzu und betrachten Sie sie als bereits überschritten
Ich weiß nicht, welche und wie viele Rückgaben ich in welcher Höhe hinzufügen soll.
Ich weiß nicht, welche Rückgaben ich hinzufügen soll, in welcher Höhe und wie viele Stücke.
Ich weiß es auch nicht, es ist immer anders