L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1139
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Oui, l'erreur mérite sans aucun doute d'être signalée, cela vous dérange-t-il si j'utilise votre rapport comme exemple ?
L'ajustement est total, quelle que soit la façon dont on le regarde, la question est de savoir comment le ramener à un niveau acceptable.
Bien sûr, vous pouvez l'utiliser, il n'y a rien de valeur dans ce rapport !
A propos de l'ajustement, ici et je réfléchis à ce qu'il faut en faire, d'une part utiliser un nombre limité de combinaisons obtenues sur l'historique sous forme de feuilles devrait réduire l'effet de l'ajustement, mais d'autre part je vois que 60% des feuilles qui fonctionnent sur l'échantillon d'entraînement cessent de fonctionner sur l'échantillon de test. La question est de comprendre comment l'histoire a changé, ce qui s'est passé exactement, que ce qui fonctionnait a cessé de fonctionner.
Un grand nombre de prédicteurs est comme un grand nombre d'étoiles dans le ciel, et grâce à leur regroupement, on peut obtenir un tas de constellations qui ne peuvent être vues depuis les planètes d'autres systèmes solaires, et le nombre de combinaisons dépasse le nombre d'entrées sur le marché - c'est pourquoi il y a un ajustement.
Bien sûr, vous pouvez l'utiliser, il n'y a rien de valeur dans ce rapport !
D'une part, l'utilisation d'un nombre limité de combinaisons obtenues à partir de l'historique sous forme de feuilles devrait réduire l'effet de l'ajustement, mais d'autre part, je constate que 60% des feuilles qui fonctionnent sur l'échantillon d'entraînement cessent de fonctionner sur l'échantillon de test. La question est de comprendre comment l'histoire a changé, ce qui s'est passé exactement, que ce qui fonctionnait a cessé de fonctionner.
Le grand nombre de prédicteurs est comme un grand nombre d'étoiles dans le ciel - et grâce à leur amas, nous pouvons inventer beaucoup de constellations différentes qui ne peuvent être vues depuis les planètes d'autres systèmes solaires, et le nombre de combinaisons dépasse le nombre d'entrées sur le marché - c'est ce qui provoque l'ajustement.
L'ajustement de la formation a toujours existé et existera toujours, quoi qu'on en dise, mais il doit être fait avec une grande qualité, et alors il y aura plus de congés de travail.
Au sens figuré, vous pouvez comparer le fait de négocier sur la formation et de sauter d'un plongeoir qui accélérerait et volerait par inertie à travers l'OOS.
Toutefois, si le graphique d'équité de cet échantillon apparaît courbé et bosselé, ne comptez pas faire un bon saut).
D'une part, l'utilisation d'un nombre limité de combinaisons obtenues sur l'historique sous forme de feuilles devrait réduire l'effet de l'ajustement, mais d'autre part, je constate que 60% des feuilles qui fonctionnent sur l'échantillon d'entraînement cessent de fonctionner sur l'échantillon de test. La question est de comprendre comment l'histoire a changé, ce qui s'est passé exactement, que ce qui fonctionnait a cessé de fonctionner.
Le grand nombre de prédicteurs est comme un grand nombre d'étoiles dans le ciel, et grâce à leur regroupement, vous pouvez créer un tas de constellations différentes qui ne peuvent être vues depuis des planètes d'autres systèmes solaires, et le nombre de combinaisons dépasse le nombre d'entrées sur le marché - c'est pourquoi il y a un ajustement.
C'est une question à un milliard de dollars ; à mon avis, toute induction est un ajustement, la MO n'est qu'une statistique, une théorie hors contrôle, une statistique d'ingénierie, qui ne dédaigne pas l'heuristique et les béquilles, et la statistique est l'une ou l'autre : moyennes, moyennes, moyennes des écarts par rapport aux moyennes, etc, Eh bien, nous nous souvenons tous de la parabole de "Russell le poulet", le propriétaire nourrit le poulet quelques centaines de fois (un nombre statistiquement significatif), mais uniquement dans le but de l'abattre une fois ((( Peut-être que Puppet fait la même chose.
Une question pour la réflexion :
Il existe de nombreuses stratégies adaptées à l'histoire, et de nombreuses stratégies qui donnent de bons résultats sur les nouvelles données. Comment ces deux ensembles de stratégies diffèrent-ils l'un de l'autre lorsque vous les exécutez sur l'historique ?
Une question pour la réflexion :
Il existe de nombreuses stratégies adaptées à l'histoire, et de nombreuses stratégies qui donnent de bons résultats sur les nouvelles données. Comment ces deux ensembles de stratégies diffèrent-ils l'un de l'autre lorsque vous les exécutez sur l'historique ?
Rien. Les deux classes de stratégies sont adaptées à l'histoire.
Peut-être que les buts et les moyens de cet ajustement diffèrent, mais nous, n'étant pas les auteurs, ne pouvons pas le découvrir).
Une question pour la réflexion :
Il existe de nombreuses stratégies adaptées à l'histoire, et de nombreuses stratégies qui donnent de bons résultats sur les nouvelles données. Comment ces deux ensembles de stratégies diffèrent-ils l'un de l'autre lorsque vous les exécutez sur l'historique ?
))))))))))))))))))))))))))))))))))))))).............
))))))))))))))))))))))))))))))))))))))).............
Une question pour la réflexion :
Il existe de nombreuses stratégies adaptées à l'histoire, et de nombreuses stratégies qui donnent de bons résultats sur les nouvelles données. Comment ces deux ensembles de stratégies diffèrent-ils l'un de l'autre lorsque vous les exécutez sur l'historique ?
La question est valable.
Pour autant que nous enseignions au modèle UNE SEULE CHOSE, sur la formation et le contrôle, la courbe d'erreur sera quelque chose comme ceci
Le sur-apprentissage est le moment où la divergence commence (au 19ème n sur l'image), d'où la réponse à votre question, le modèle ajusté sera bien meilleur sur l'historique que celui du contrôle. Idéalement, le graphique de l'équité sur l'historique et le contrôle (OOS) devrait être indiscernable. Ainsi, le "gourou" local parle de "tremplin égal", c'est l'inverse, vous ne pouvez pas voir où l'histoire est terminée et où le contrôle a commencé.
Messieurs les experts du MO.
Qui peut partager un lien sur la façon de créer un neurone d'apprentissage pour la représentation graphique d'une fonction ?
La question est correcte.
En supposant que nous enseignons au modèle l'UN et la même chose, en formation et en contrôle, la courbe d'erreur sera à peu près ceci
Le surentraînement est le moment où la divergence commence (à environ 19 n dans l'image), d'où la réponse à votre question, le modèle surentraîné sera HAUTEMENT MEILLEUR sur l'historique que celui sur le contrôle. Idéalement, le graphique de l'équité sur l'historique et le contrôle (OOS) devrait être indiscernable. C'est-à-dire, les affirmations des "gourous" locaux sur le "tremplin de niveau" - une pure absurdité, exactement le contraire, il ne devrait pas être visible où l'histoire s'est terminée et où le contrôle a commencé.
Équilibrer 2 sélections, c'est tout. Ne sauvera pas d'un échec au 3ème, mais l'approche est correcte.