Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 89
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
El control deslizante es para los aficionados))))) y el hecho de que sólo en este caso el modelo sea adecuado es una falacia.
Pero todo eso es una tontería, cada uno tiene sus peculiaridades-necesidades en diferentes etapas, tú también puedes añadirlo.
Me refería al % de salida tanto para el general como para el de prueba (prueba = OOS - aplicación de la fórmula a los nuevos datos)
Una ventaja de las aplicaciones de ventana, en su rápida usabilidad. Es posible hacer una cáscara normal,
Reshetov es un codificador experimentado, por lo que debe hacerse de una manera normal. Eso es todo. Todo ello, por supuesto, en mi opinión.
Si la selección de un buen modelo en una muestra da buenos resultados fuera de ella, significa que el modelo es adecuado para el problema elegido.
Una vez más, para los más dotados: si un modelo pasa la selección, no significa que sea potencialmente adecuado para el problema elegido, especialmente en entornos no estacionarios. Sólo significa que de alguna manera pasó la selección.
El hecho de que una aspirante haya superado la selección a través de las pruebas de acceso a la universidad no significa que vaya a defender su título, y mucho menos que vaya a trabajar posteriormente en el campo que ha elegido.
La selección sólo reduce la probabilidad de inadecuación, pero no siempre a cero. Y no debemos olvidar que los resultados de la selección también pueden ser falsos positivos y falsos negativos. Es decir, existe una probabilidad no nula de que el proceso de selección también haya arrojado "el bebé con el agua de la bañera".
Una vez más, para los especialmente dotados: si un modelo pasa la selección, no significa que sea potencialmente adecuado para el problema elegido, especialmente en entornos no estacionarios. Sólo significa que de alguna manera ha pasado la selección.
El hecho de que una aspirante sea seleccionada mediante las pruebas de acceso a la universidad no significa que vaya a defender su título, ni mucho menos que vaya a trabajar posteriormente en la especialidad elegida.
La selección sólo reduce la probabilidad de inadecuación, pero no siempre a cero. Y no debemos olvidar que los resultados de la selección también pueden ser falsos positivos y falsos negativos. Es decir, existe una probabilidad no nula de que el proceso de selección también haya arrojado "el bebé con el agua de la bañera".
Permítanme explicarlo de nuevo para los más sofisticados.
Todos los resultados son, por supuesto, probables.
Hay resultados del modelo en el entrenamiento, hay resultados en la validación cruzada o en las pruebas (para recoger los parámetros del modelo y hacer una parada de aprendizaje temprana). También hay resultados del modelo fuera de la muestra - estimación final.
Si los resultados en las pruebas se correlacionan bien con los resultados fuera de la muestra, significa que la calidad de la modelización de la dependencia tiene inercia para el periodo fuera de la muestra. En este caso, se puede tomar el mejor modelo en pruebas (no "fuera de muestra"). Posteriormente, se puede volver a entrenar el modelo con todos los datos nuevos con parámetros conocidos y tomar el mejor modelo, ya que la relación con los resultados futuros está prácticamente establecida.
Si los resultados en la prueba se correlacionan mal con los resultados fuera de la muestra, tomar el mejor modelo en el entrenamiento no tiene sentido. Tomar el mejor modelo en "fuera de muestra" es un ajuste. Sólo hay una salida: rechazar el método de creación del modelo o cambiar significativamente los rangos de los parámetros.
"Puedes sugerirles que creen un hilo durante una semana, por ejemplo, una semana para que la gente se exprese, y luego dejar que lo restrieguen".
No sé qué clase de hobgoblin insertó la cita anterior en mi post, pero no es mi post.
Si a los moderadores no les gusta algo de mis posts, están en su derecho. Simplemente no pegues el texto de otra persona en mis posts, y actúa de forma más cultural: expón lo que no te ha gustado exactamente y con su propio nombre. Y yo, para no irritar a los moderadores, me voy de este sitio al mío propio: el enlace está en mi perfil.
¡Adiós a todos!
.
"Podrías sugerirles que crearan un hilo durante una semana, por ejemplo, una semana para que la gente se exprese, y luego dejar que lo restrieguen".
No sé qué truco insertó la cita anterior en mi post, pero no es mi post.
Si a los moderadores no les gusta algo de mis posts, están en su derecho. Simplemente no pegues el texto de otra persona en mis posts, y actúa de forma más cultural: expón lo que no te ha gustado exactamente y con su propio nombre. Y yo, para no irritar a los moderadores, me voy de este sitio al mío propio: el enlace está en mi perfil.
¡Adiós a todos!
.
"Puedes sugerirles que creen un hilo durante una semana, por ejemplo, una semana para que la gente se exprese, y luego dejar que lo restrieguen".
No sé qué clase de hobgoblin insertó la cita anterior en mi post, pero no es mi post.
Si a los moderadores no les gusta algo de mis posts, están en su derecho. Simplemente no pegues el texto de otra persona en mis posts, y actúa de forma más cultural: expón lo que no te ha gustado exactamente y con su propio nombre. Y yo, para no irritar a los moderadores, me voy de este sitio al mío propio: el enlace está en mi perfil.
¡Adiós a todos!
Luego le echaré un vistazo por si le interesa, aunque creo que he hecho una chapuza)))
Sí, +R es que probablemente ya ha implementado todo lo posible. ML durante mucho tiempo, pero sólo modelos sin reentrenamiento. Una de las últimas cosas que hice con ML fue
rellenar el modelo con eventos para que siempre den en el blanco. Si se combinan, se suele obtener un 93-96%. El resto, se entrena. En otras palabras.
Si has enseñado a tu hijo a caminar un poco, no hace falta que le digas lo mismo todos los días, simplemente dile cuándo tiene que saltar el charco.
(no hay predicción en el objetivo).Un poco de goteo, el objetivo no es ciertamente el color de la vela))
Un poco de goteo, el objetivo es, por supuesto, no el color de la vela)))
2 leer sobre el tema de la selección insesgada de un modelo entrenado:
http://stats.stackexchange.com/questions/65128/nested-cross-validation-for-model-selection
/go?link=https://stats.stackexchange.com/questions/178174/when-is-nested-cross-validation-really-needed-and-can-make-a-practical-differenc