L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1139
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Sì, l'errore è senza dubbio da segnalare, ti dispiace se uso il tuo rapporto come esempio?
L'adattamento è ovunque, non importa come lo si guardi, la questione è come ridurlo a un livello accettabile.
Certo che potete usarlo, non c'è niente di valore in questo rapporto!
A proposito del fitting, qui e penso cosa farne, da una parte usare un numero limitato di combinazioni ottenute sulla storia sotto forma di foglie dovrebbe ridurre l'effetto del fitting, ma d'altra parte vedo che il 60% delle foglie che lavorano sul campione di allenamento cessano di funzionare sul campione di test. La questione è capire come è cambiata la storia, cosa è successo esattamente, che quello che funzionava ha smesso di funzionare.
Un grande numero di predittori è come un grande numero di stelle nel cielo, e a causa del loro ammasso può venire fuori un mucchio di costellazioni che non possono essere viste dai pianeti di altri sistemi solari, e il numero di combinazioni è maggiore del numero di entrate nel mercato - ecco perché c'è un adattamento.
Certo che potete usarlo, non c'è niente di valore in questo rapporto!
Da un lato, l'utilizzo di un numero limitato di combinazioni ottenute dalla storia sotto forma di foglie dovrebbe ridurre l'effetto del fitting, ma dall'altro, vedo che il 60% delle foglie che lavorano sul campione di allenamento smettono di funzionare sul campione di test. La questione è capire come è cambiata la storia, cosa è successo esattamente, che quello che funzionava ha smesso di funzionare.
Il gran numero di predittori è come un gran numero di stelle nel cielo - e a causa del loro ammasso possiamo inventare un sacco di costellazioni diverse che non possono essere viste dai pianeti di altri sistemi solari, e il numero di combinazioni supera il numero di entrate nel mercato - questo è ciò che causa l'aggiustamento.
L'aggiustamento nella formazione c'è sempre stato e sempre ci sarà, non importa quello che qualcuno dice, ma deve essere fatto con alta qualità, e poi ci saranno più foglie di lavoro.
Figurativamente, si può paragonare il trading sulla formazione e il salto da un trampolino che accelererebbe e volerebbe inerzialmente attraverso l'OOS.
Tuttavia, se il grafico azionario di questo campione appare curvo e accidentato, non contate di fare un buon salto).
Da un lato, l'utilizzo di un numero limitato di combinazioni ottenute sulla storia sotto forma di foglie dovrebbe ridurre l'effetto del fitting, ma dall'altro, vedo che il 60% delle foglie che lavorano sul campione di allenamento smettono di funzionare sul campione di test. La questione è capire come è cambiata la storia, cosa è successo esattamente, che quello che funzionava ha smesso di funzionare.
Il gran numero di predittori è come un gran numero di stelle nel cielo, e a causa del loro ammasso si possono comporre un mucchio di costellazioni diverse che non possono essere viste da pianeti di altri sistemi solari, e il numero di combinazioni supera il numero di entrate nel mercato - ecco perché c'è un adattamento.
È una domanda da un miliardo di dollari IMHO qualsiasi induzione è un adattamento, MO è solo statistica, teoria fuori controllo, statistica ingegneristica, che non disdegna euristiche e stampelle, e la statistica è una o l'altra media, medie, medie di deviazioni dalle medie, ecc, Bene, ricordiamo tutti la parabola di "Russell il pollo", il proprietario darà da mangiare al pollo un paio di centinaia di volte (un numero statisticamente significativo), ma solo di proposito, in modo che lo macelli una volta ((( Forse, Doll fa lo stesso.
Una domanda per riflettere:
Ci sono molte strategie adattate alla storia, e ci sono molte strategie che danno buoni risultati sui nuovi dati. In che modo queste due serie di strategie differiscono l'una dall'altra quando le esegui sulla storia?
Una domanda per riflettere:
Ci sono molte strategie adattate alla storia, e ci sono molte strategie che danno buoni risultati sui nuovi dati. In che modo queste due serie di strategie differiscono l'una dall'altra quando le esegui sulla storia?
Niente. Entrambe le classi di strategie sono adattate alla storia.
Forse gli scopi e i mezzi di tale regolazione sono diversi, ma noi, non essendo gli autori, non possiamo scoprirlo).
Una domanda per riflettere:
Ci sono molte strategie adattate alla storia, e ci sono molte strategie che danno buoni risultati sui nuovi dati. In che modo queste due serie di strategie differiscono l'una dall'altra quando le esegui sulla storia?
))))))))))))))))))))))))))))))))))))))).............
))))))))))))))))))))))))))))))))))))))).............
Una domanda per riflettere:
Ci sono molte strategie adattate alla storia, e ci sono molte strategie che danno buoni risultati sui nuovi dati. In che modo queste due serie di strategie differiscono l'una dall'altra quando le esegui sulla storia?
La domanda è valida.
A condizione di insegnare al modello UNA SOLA COSA, durante l'addestramento e il controllo, la curva di errore sarà qualcosa come questa
L'overlearning è quando inizia la divergenza (al 19° n sull'immagine) da cui la risposta alla tua domanda, il modello aggiustato sarà molto meglio sulla storia che quello sul controllo. Idealmente, il grafico dell'equità sulla storia e sul controllo (OOS) dovrebbe essere indistinguibile. Quindi, il "guru" locale parla di "trampolino uguale", è viceversa, non si può vedere dove la storia è finita e dove il controllo è iniziato.
Signori esperti di MO.
Chi può condividere un link su come creare un neurone di apprendimento per il grafico di una funzione?
La domanda è corretta.
Supponendo di insegnare al modello l'UNO e la stessa cosa, in addestramento e controllo, la curva di errore sarà circa questa
Il sovrallenamento è quando inizia la divergenza (al 19° n circa nell'immagine) quindi la risposta alla tua domanda, il modello sovrallenato sarà MOLTO MIGLIORE sulla storia di quello sul controllo. Idealmente, il grafico dell'equità sulla storia e sul controllo (OOS) dovrebbe essere indistinguibile. Cioè, affermazioni di "guru" locali su "livello trampolino" - pura sciocchezza, esattamente il contrario, non dovrebbe essere visibile dove la storia è finita e dove il controllo è iniziato.
Bilanciare 2 selezioni, tutto qui. Non salverà dal fallimento il 3, tuttavia l'approccio è corretto