Réunir une équipe pour développer un OI (arbre/forêt de décision) en relation avec les stratégies de tendance. - page 12
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
Si un miracle se produit et que l'équipe se réunit, nous devrons choisir un algorithme d'apprentissage et une méthode d'évaluation du modèle.
Je peux grignoter un groupe de réflexion.
...je vais devoir réfléchir à un autre site. Peut-être que quelqu'un en connaît un similaire ? Je pense à quelque chose comme un tableau où l'on peut partager des photos et les modifier d'une manière ou d'une autre, un salon de discussion séparé, et quelque chose comme un réservoir d'idées intelligentes...
Par exemple. Ils disposent également d'un référentiel pour le partage du code. Ils disposent également d'une application mobile. Je pense que c'est un service très pratique.
Pour évaluer la qualité du modèle (réseau ou forêt), on utilise les valeurs d'erreur MSE, OOB, etc.
Mais contrairement à la reconnaissance d'images, où un humain constitue l'échantillon de vérification , il est très difficile de créer un tel échantillon pour un graphique de prix. Par conséquent, l'estimation d'un modèle de prix par MSE, OOB, etc. est souvent mal interprétée.
Il n'existe pas de définition claire de l'"overfitting" du modèle.
J'ai donc arrêté de vérifier le modèle par MSE, OOB, etc.
Je préfère maintenant superposer le résultat de la formation sur le graphique des prix pour avoir une vue d'ensemble.
Voici ma méthode d'évaluation de la qualité du modèle (j'ai déjà posté cette photo) :
À mon avis, ce qu'il faut, ce n'est pas une image, mais des mesures objectives et quantitatives, et si nous parlons d'une évaluation compréhensible par le consommateur de la qualité d'un modèle pour le trading, alors vous pouvez les mesurer par la productivité du signal, par exemple.
Par exemple. Un référentiel pour le partage du code est également connecté. Ils disposent également d'une application mobile. Je pense que c'est un service très pratique.
Hm... merci pour le tuyau, service très intéressant. Utilisez-vous la version gratuite ? Vous pouvez connecter autant d'extensions que vous le souhaitez ?
Maintenant, je préfère superposer le résultat de la formation sur le graphique des prix pour avoir une vue d'ensemble.
Voici ma méthode d'évaluation de la qualité du modèle (j'ai déjà posté cette photo) :
Dis-moi comment lire ce tableau dans le sous-sol. Vous avez combien de cibles là (je vois juste une divergence de 4 points - 4 cibles ?), est-ce que je comprends bien que les prédictions se produisent au début de la barre (alors pourquoi l'ouverture ne correspond pas ou est-ce que je lis mal le graphique ?) d'une barre ?
La visualisation est utile pour le processus de réflexion, mais sans exprimer ces divergences en chiffres, il est impossible d'automatiser le processus d'estimation du modèle pour la même fonction de fitness.
Si un miracle se produit et que l'équipe se réunit, vous devrez choisir un algorithme d'apprentissage et une méthode d'évaluation du modèle.
Faites-vous partie de l'équipe ou non ?
Je peux faire un peu de groupe de réflexion.
OK, disons-le comme ça...
Par exemple. Un référentiel pour le partage du code est également connecté. Ils disposent également d'une application mobile. Je pense que c'est un service très pratique.
Merci, je vais devoir étudier le service. Ou jetez un coup d'œil aux projets existants basés sur cette technologie.
Je partagerai mes réflexions sur l'évaluation des modèles du ministère de la Défense.
Je ne sais pas s'il existe un herbier au MO, mais je vais continuer à l'utiliser. Au cas où quelqu'un ne comprendrait pas, un herbier est une collection de bonnes feuilles d'arbres, et une feuille ou plusieurs peuvent être collectées sur un seul arbre. Ce modèle présente un inconvénient lors du vote - le nombre de feuilles décrivant un phénomène (cible) à différents moments sera différent, c'est-à-dire que si nous représentons l'échantillonnage comme un champ, il s'avère que les feuilles sont dispersées en différents ensembles sur le champ, ce qui affecte la qualité du vote. Je pense donc que pour estimer ce modèle (la méthode fonctionne pour les forêts mais elle est plus primitive, l'accent devrait être mis uniquement sur la capacité prédictive sur le terrain) il faut présenter chaque feuille (arbre) comme une couche, superposer ces couches les unes sur les autres et là où les feuilles se chevauchent calculer la capacité prédictive moyenne en ajoutant un facteur qui affecte le produit en fonction du nombre de feuilles (pas nécessaire pour les forêts), puis regarder la carte résultante et estimer son uniformité. Une telle carte peut être évaluée de différentes manières, en ajoutant le troisième espace - par sommets, ou en utilisant la méthode de la carte de Kohonen - par couleur - pour plus de clarté, et pour trouver la moyenne générale et le RMS de cette carte. Nous pouvons alors voir la qualité du modèle, la force de son pouvoir prédictif sur l'ensemble de l'échantillon, et pas seulement sur l'agrégat. Une telle estimation pourrait aider la fonction de fitness à rechercher les zones de l'échantillon qui améliorent les feuilles/arbres et dont le pouvoir prédictif moyen est faible.
Qu'en pensez-vous ?
Ou est-ce que je ne me fais pas bien comprendre encore une fois ?