Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 896
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
und ich kann Ihnen sagen, dass diese Modelle genau so funktionieren wie die Reshetov-Modelle auf dem OOS. Das ist genau dasselbe.
d.h. in Ihrem Fall, NICHTS? ich werde Ihnen das gleiche sagen, mehr kalkige 3. kirchliche
d.h. in Ihrem Fall NICHTS? das Gleiche sagen, mehr als eine 3.
Nicht dieses Mal Maximka, nicht dieses Mal....... Es stellte sich heraus, dass der Magier Recht hatte. Die Datenqualität hat sich um eine Größenordnung verbessert, und damit auch die Qualität des Modells......
Meine beiden Lieblingszauberer sind wieder Freunde. Was auf sie zukommt)))
Nicht.... er hat sich noch nicht entschuldigt.... obwohl es nichts gibt, wofür man sich entschuldigen müsste....
Nein, ich habe es nie getan.
Ich verstehe nicht wirklich, warum das nötig ist, denn ein Wald ist beispielsweise bereits ein universeller Klassifikator oder Approximator, und es gibt nichts, was man von Hand korrigieren müsste
und einzelne Bäume sind eher schwache primitive Algorithmen.
Ein Baum ist eher eine klare Logik, die sich nach der Analyse herausbildet, und alles andere sieht für mich bisher wie eine Anpassung aus.
Ich interessierte mich für den Baum als praktisches Instrument zur Berücksichtigung verschiedener Marktsituationen, d. h. es ist praktisch, ein und dasselbe Muster unter verschiedenen Bedingungen zu verwenden, und die Auswahl dieser Bedingungen aktiviert das Muster entweder oder nicht. Es ist ein sehr cooles Werkzeug für die Bildung komplexer Muster, das leicht programmiert werden kann, aber es gibt kein praktisches Programm.
Und wenn der Baum bei 90 % der verfügbaren Prädiktoren ein Ergebnis liefert, dann ist das schon mehr als genug, wozu dann noch NS oder ein Ensemble von Bäumen? Mir ist aufgefallen, dass das Ergebnis besser ist, wenn der Baum boolesche Regeln (>/</==) für die Auswahl der Klassifizierungsbereiche der Prädiktoren verwendet. Ich verstehe, dass der Baum nicht alle verfügbaren Ergebnisse durchsucht oder dass wegen des Abschneidens Regeln mit geringer Unterstützung abgeschnitten werden, wodurch 5-10% der zuverlässigen Erkennung der Probe verloren gehen.
Und wenn der Baum ein Ergebnis von 90 % der verfügbaren Prädiktoren liefert, dann ist das mehr als genug, wozu braucht man dann NS oder ein Ensemble von Bäumen? Ich bemerkte, dass, wenn Baum verwendet logische Regeln (>/</==), um Bereiche der Prädiktor Klassifizierung zuzuweisen, dann ist das Ergebnis besser, ich verstehe, dass der Baum nicht durch alle verfügbaren Ergebnisse gehen oder wegen der Schnitt Regeln mit wenig Verstärkung geschnitten werden, was zu einem Verlust von 5-10% zuverlässige Anerkennung der Probe.
Der Punkt ist, dass 1 Baum nur die Sequenz lernt, ohne die Möglichkeit, sich an veränderte Muster anzupassen (und auf dem Markt werden sie das immer tun)
Ensembles haben viele Zufallskomponenten, die die Robustheit gegenüber neuen Daten erhöhen
Ja, das Schneiden des Baumes wird als Beschneiden bezeichnet.
Der bekiffte Maxime, der Trickster, schert sich überhaupt nicht um dich.
Er versteht nicht, wie tief deine Seele ist.
Er hat sich gestern den Automaten vorgenommen. Schau es dir mit ihm an))) urkomisch...
Warum bin ich ein Zauberer? Meine Beiträge verschwinden nicht auf magische Weise.
Ich bin nur ein statistischer Provokateur.
und ich rauche nicht
Der Punkt ist, dass 1 Baum einfach die Sequenz lernt, ohne die Möglichkeit, sich an veränderte Muster anzupassen (und auf dem Markt werden sie das immer tun).
Ensembles haben viele Zufallskomponenten, die die Robustheit gegenüber neuen Daten erhöhen
Ja, das Schneiden von Bäumen wird als Beschneiden bezeichnet.
Wie können wir wissen, wie sich die Muster verändern werden? Kann das Netz die Stichprobe in 100 Teile unterteilen und in diesen Teilen nicht nur die Beziehungen der Prädiktoren, sondern auch die Art der Veränderung dieser Beziehungen, d. h. die Muster, untersuchen? Wenn dies der Fall ist, dann kann sie zwar die Regeln für die Änderung des Musters ableiten, aber alles, was ich darüber gelesen habe, scheint eine perverse Klassifizierung zu sein.
Was mir an der Baumstruktur gefällt, ist die Einstellung der Hierarchie. In dem Programm, in dem ich gerade arbeite, kann man eine grundlegende Hierarchie erstellen und dann automatische Berechnungen daraus machen (bisher ist das mühsam, aber vielleicht benutze ich nicht alle Werkzeuge, denn viele kann ich einfach nicht ihrem Namen nach verstehen). Zur Erstellung von ATC verwende ich zum Beispiel solche Fragen, auf die der TS Antworten geben soll, um eine Handelsentscheidung zu treffen:
- Wo bin ich? (Beschreibung des Preispunktes)
- Wie bin ich hierher gekommen? (Analyse der Bewegung vom bedingt entgegengesetzten Punkt zum aktuellen Punkt)
- Was kann passieren? (Berechnung von wahrscheinlichen Ereignissen, wenn sie in der Zukunft eintreten)
- Was ist zu tun? (Analyse der historischen Muster in Bezug auf die Antwort auf die ersten 3 Fragen)
- Lohnt sich das Risiko? (Analyse der möglichen Verluste aus dem Einstieg und der möglichen Gewinne)
Ich möchte also, dass das Netz/der Baum/die Wälder diese Fragen in der gleichen Reihenfolge beantworten, wenn sie sich für den Handel entscheiden.
Wie können wir wissen, wie sich die Muster verändern werden? Kann das Netz die Stichprobe in 100 Teile unterteilen und in diesen Teilen nicht nur die Beziehungen der Prädiktoren, sondern auch die Art der Veränderung dieser Beziehungen, d. h. die Muster, untersuchen? Wenn es das tut, dann kann es zwar die Regeln für die Änderung des Musters ableiten, aber alles, was ich darüber gelesen habe, scheint eine perverse Klassifizierung zu sein.
les tut das, neuronale Netze mit Kreuzvalidierung und\oder auch Ensembles von zugrunde liegenden Modellen
+ verschiedene Regularisierungen
Forest tut dies, neuronale Netze mit Kreuzvalidierung und\oder auch Ensembles von Basismodellen
Über NS - vielleicht verstehe ich etwas noch nicht...
Wie kann ein Wald das tun? Der Wald nimmt nur zufällig Prädiktoren und sucht nach Verbindungen zwischen ihnen und stimmt dann ab. Bei einem stationären Modell wird es je nach der resultierenden Zufälligkeit der Stichprobe/Prädiktoren entweder falsch abstimmen oder sein korrektes Votum wird durch die Stichprobe verzerrt, wenn man davon ausgeht, dass sich die Muster in der Stichprobe ändern. Aber wo bleibt die Analyse des Musterwechsels? Meines Erachtens ist der Wald gut, wenn man nicht weiß, wie gut die Prädiktoren sind. Wenn es keine gegenseitige Verstärkung der Prädiktoren gibt, haben diese Prädiktoren entweder kein Gewicht bei der Abstimmung oder ihr Gewicht ist nicht signifikant. Oder vielleicht verstehe ich das alles falsch?