Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 87
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
Alle Pakete (Modelle) können in zwei Kategorien unterteilt werden:
Die Leistung der Pakete, die "grundsätzlich gut" sind, ist ungefähr gleich, die Unterschiede sind nicht signifikant.
Das Problem liegt nicht beim Modell, sondern bei der Menge der Prädiktoren und deren Vorbedingungen. Nimmt man eine Reihe von Prädiktoren, so ist die Möglichkeit, ein NICHT übertrainiertes Modell zu erstellen, ebenso wie das Ausmaß des Fehlers wenig von der Änderung des Modells abhängig. Daher sollte man das einfachste und schnellste Modell von denen nehmen, die "im Prinzip passen".
PS.
Aus meiner eigenen Erfahrung. Bei mir entfallen über 75% des Arbeitsaufwandes bei der Konstruktion von TS - auf die Auswahl der Prädiktoren, wenn es überhaupt gelingt, einen solchen Satz für eine bestimmte Zielvariable auszuwählen.
San Sanych, hallo.
Und wenn wir mit Ihrer Methode für 3 sich nicht überschneidende Datenintervalle unterschiedliche Prädiktorenwerte erhalten, dann sind sie nicht stationär (Rauschen usw.), sollten wir dem folgen?
Alle Pakete (Modelle) können in zwei Kategorien unterteilt werden:
Die Leistung der Pakete, die "grundsätzlich gut" sind, ist ungefähr gleich, die Unterschiede sind nicht signifikant.
Das Problem liegt nicht beim Modell, sondern bei der Menge der Prädiktoren und deren Vorbedingungen. Nimmt man eine Reihe von Prädiktoren, so ist die Möglichkeit, ein NICHT übertrainiertes Modell zu erstellen, ebenso wie das Ausmaß des Fehlers wenig abhängig von der Änderung des Modells. Daher sollte man das einfachste und schnellste Modell von denen nehmen, die "im Prinzip passen".
PS.
Aus meiner eigenen Erfahrung. Bei mir entfallen über 75 % des Arbeitsaufwands bei der Konstruktion von TK auf die Auswahl der Prädiktoren, wenn es überhaupt möglich ist, eine solche Menge für eine bestimmte Zielvariable auszuwählen.
Welche Modelle, wovon reden Sie ... Es ist, als würde jemand fragen : "Wie spät ist es?" und die Antwort lautet : "Was soll ich denn tanzen?":)
Bitte tun Sie das nie wieder, es ist einfacher, 10 Zeilen Text zu schreiben als zwei Zeilen Fragen zu lesen.
Vielleicht interessiert es jemanden, ich habe ein Paket gefunden, das den Handel simulieren und Handelssysteme namens quantstrat erstellen kann
http://www.rinfinance.com/agenda/2013/workshop/Humme+Peterson.pdf
San Sanych, hallo.
Aber wenn wir mit Ihrer Methode unterschiedliche Prädiktorenwerte für 3 sich nicht überschneidende Datensegmente im Training erhalten, dann sind sie nicht-stationär (Rauschen usw.), sollten wir dem folgen?
Die Relevanz der Prädiktoren wird nur einmal ermittelt - beim Training des Modells. Dann ist dieses Modell ANWENDBAR, nicht gelehrt.
Wenn ich mich recht erinnere, müssen Sie es mehrmals unterrichten?
Niemals!
Noch einmal.
1. Wir nehmen eine große Menge an Zeitreihenprädiktoren, zum Beispiel 10 000 Beobachtungen (Linien).
2. Wir teilen es in zwei Teile, streng mechanisch: 7000 erster Teil und 3000 zweiter Teil.
3. Wir teilen den ersten Teil nach dem Zufallsprinzip in drei Teile auf: für Training, Test und Validierung
4. Wir lernen (fit - fit) das Modell an der Trainingsstichprobe.
5. Wenden Sie das trainierte Modell auf die Test- und Validierungsstichprobe an.
6. Wenn bei allen drei Stichproben - Training, Test und Validierung - der Fehler annähernd gleich ist, dann gilt Klausel 7.
7. Wenden Sie das Modell auf den zweiten Teil an, der in seiner zeitlichen Abfolge eine ununterbrochene Zeitreihe darstellt.
8. Wenn der Fehler auch bei diesem Teil etwa gleich groß ist wie bei den drei anderen, dann:
Niemals!
Noch einmal.
1. eine große Anzahl von Zeitreihenprädiktoren nehmen, z. B. 10 000 Beobachtungen (Linien)
2. Wir teilen es in zwei Teile, streng mechanisch: 7000 erster Teil und 3000 zweiter Teil.
3. Wir teilen den ersten Teil nach dem Zufallsprinzip in drei Teile auf: für Training, Test und Validierung
4. Wir lernen (fit - fit) das Modell an der Trainingsstichprobe.
5. Wenden Sie das trainierte Modell auf die Test- und Validierungsstichprobe an.
6. Wenn bei allen drei Stichproben - Training, Test und Validierung - der Fehler annähernd gleich ist, dann gilt Klausel 7.
7. Wenden Sie das Modell auf den zweiten Teil an, der in seiner zeitlichen Abfolge eine ununterbrochene Zeitreihe darstellt.
8. Wenn der Fehler auch bei diesem Teil etwa gleich groß ist wie bei den drei anderen, dann:
Es fehlt einfach an Köpfchen und Zeit.
Man muss mit der Zielvariable beginnen und dann Prädiktoren für sie auswählen und dann mit der Mathematik überprüfen, oder so ähnlich. Wie auch immer, der Prozess ist langsam und ich kann ihn nicht formalisieren.
So lala - einfach nicht genug Köpfchen und Zeit.
Man muss mit der Zielvariablen beginnen und sie dann mit Prädiktoren abgleichen und sie dann sozusagen mit Mathematik überprüfen. Auf jeden Fall ist der Prozess schmerzhaft und für mich nicht formalisierbar.