예측자 전처리(공선성 제거)를 위해 PCA 및 LDA를 테스트했습니다. 예상대로 새 데이터에서는 작동하지 않습니다. 모델이 기차에서 조금 더 잘 훈련될 수 있지만 구성 요소 자체가 점프하기 시작합니다. 그러나 구성 요소 자체가 새 데이터에서 예측할 수 없이 작동하기 때문에 모든 것이 동일하고 더 나빠집니다. 일반적으로 많은 고전적인 ML 기술은 단순히 시장에 적용할 수 없거나 오히려 이마에 작동하지 않습니다.
막심 드미트리예프스키 : 예측자 전처리(공선성 제거)를 위해 PCA 및 LDA를 테스트했습니다. 예상대로 새 데이터에서는 작동하지 않습니다. 모델이 기차에서 조금 더 잘 훈련될 수 있지만 구성 요소 자체가 점프하기 시작합니다. 그러나 구성 요소 자체가 새 데이터에서 예측할 수 없이 작동하기 때문에 모든 것이 동일하고 더 나빠집니다. 일반적으로 많은 고전적인 ML 기술은 단순히 시장에 적용되지 않습니다.
비정상성으로 인해 때때로 오래된 기록을 폐기해야 합니다.
1) 샘플의 쓸모없는 부분을 버리기 위한 올바른 알고리즘이 필요합니다(discord search)
2) 나머지 샘플은 항상 가변 길이이며 종종 짧습니다. 여기에서도 올바른 모델이 필요합니다.
또 다른 접근 방식이 있습니다. 저는 그것이 현재 가장 유망한 것으로 봅니다 - 출력 변수의 열거를 통한 무차별 대입 모델
대략적으로 말하자면, 가상 트레이더는 의사 랜덤 방식으로 여러 번(패스) 거래(예: Monte Carlo 또는 유전학), 거래를 관찰하고 잘못된 위치를 수정할 때마다 대략적으로 말하자면 수익성이 없는 거래를 되돌려 수익을 얻습니다.
각 패스 후 조정된 거래에 대해 재교육됩니다. 이것은 이미 새 기사에서 구현되었지만 우리가 원하는 만큼은 아닙니다. n-바에 대한 분산 및 스큐와 같은 현재 시장 상황에 따라 흥미로운 출구 조합이 필요합니다. 이러한 각 특성에 대해 무작위 거래가 샘플링되는 분포가 선택되고 손실 거래도 수정되고 이에 대해 교육됩니다. 통과의 구름을 통해 최적의 전략을 찾습니다(테스트 샘플의 최소 오류 기준).
친애하는 전문가, 관심, 질문 : 시장의 현재 확률적 특성과 무작위 출력 이 샘플링되는 분포의 종속성을 흥미로운 방식으로 구성하는 방법. 이 경우 거래 수와 모델 내부의 일부 종속성이 모두 변경됩니다. 다양한 수익성 있는 모델(솔루션)을 얻을 수 있으며 그 중 맞춤 최적화 기준(모델 오류, 새 데이터에 대한 안정성)에 따라 최적의 모델이 선택됩니다.
자본 감소가 주어진 것보다 높고 변동성에 비해 성장이 너무 느린 경우 출구가 합리적으로 보입니다(분산에 대한 드리프트 비율이 작음).
Выше изображены известные Треугольник Серпинского и Кривая Коха. Эти объекты являются «самоподобными», и это означает, что их исследование на более детальном уровне покажет ту же форму. Оба элемента являются примерами «фрактальной геометрии» и характерны для многих явлений в природе, таких как горы, кристаллы и газы. Самоподобные объекты...
1 ) находим максимум минус минимум для каждого из 10 дней, предшествующих настоящему моменту;
2 ) берем сумму этих значений (сумма частей);
3 ) находим 10 -дневный диапазон: 10 -дневный максимум минус 10 -дневный минимум;
4 ) делим сумму частей на целый диапазон – это основная мера фрактальной размерности/сложности;
5 ) берем 60 -дневную среднюю 10 -дневной серии значений сложности – это метрика квартального хаоса/стабильности;
6 ) используем 252 -дневное нормальное распределение z-оценки или ранг процентиля метрики хаоса/стабильности;
7 ) значения, которые выше 0 , 5 , показывают, что рынок находится в режиме «хаоса» и гораздо менее предсказуем и нестационарен, значения ниже 0 , 5 показывают, что рынок стабилен и намного более предсказуем.
정보 기준( Bayesian 또는 Akaike)에 대한 스레드에서 아무 것도 보지 못했습니다. 아마도 그들은 기본적으로 사용됩니까 (MO에 적용된 패키지에서)?
교차 엔트로피 사용 또는 로그 손실
다중 클래스 및 이진 분류 각각
rms 회귀 문제의 경우. (rms) 및 이와 유사한
나는 이것이 아카이케라는 것을 이해한다.
교차 엔트로피 사용 또는 로그 손실
다중 클래스 및 이진 분류에 대해 각각
rms 회귀 문제의 경우. (rms) 및 이와 유사한
나는 이것이 아카이케라는 것을 이해한다.
그렇습니다.
예측자 전처리(공선성 제거)를 위해 PCA 및 LDA를 테스트했습니다. 예상대로 새 데이터에서는 작동하지 않습니다. 모델이 기차에서 조금 더 잘 훈련될 수 있지만 구성 요소 자체가 점프하기 시작합니다. 그러나 구성 요소 자체가 새 데이터에서 예측할 수 없이 작동하기 때문에 모든 것이 동일하고 더 나빠집니다. 일반적으로 많은 고전적인 ML 기술은 단순히 시장에 적용되지 않습니다.
비정상성으로 인해 때때로 오래된 기록을 폐기해야 합니다.
1) 샘플의 쓸모없는 부분을 버리기 위한 올바른 알고리즘이 필요합니다(discord search)
2) 나머지 샘플은 항상 가변 길이이며 종종 짧습니다. 여기에서도 올바른 모델이 필요합니다.
막심 드미트리예프스키 :
이것은 이미 새 기사에서 구현되었지만 우리가 원하는 만큼은 아닙니다.
무슨 기사 말하는거야?
무슨 기사 말하는거야?
검토를 위해 전송되었지만 아직 게시되지 않았습니다.
또 다른 접근 방식이 있습니다. 저는 그것이 현재 가장 유망한 것으로 봅니다 - 출력 변수의 열거를 통한 무차별 대입 모델
대략적으로 말하자면, 가상 트레이더는 의사 랜덤 방식으로 여러 번(패스) 거래(예: Monte Carlo 또는 유전학), 거래를 관찰하고 잘못된 위치를 수정할 때마다 대략적으로 말하자면 수익성이 없는 거래를 되돌려 수익을 얻습니다.
각 패스 후 조정된 거래에 대해 재교육됩니다. 이것은 이미 새 기사에서 구현되었지만 우리가 원하는 만큼은 아닙니다. n-바에 대한 분산 및 스큐와 같은 현재 시장 상황에 따라 흥미로운 출구 조합이 필요합니다. 이러한 각 특성에 대해 무작위 거래가 샘플링되는 분포가 선택되고 손실 거래도 수정되고 이에 대해 교육됩니다. 통과의 구름을 통해 최적의 전략을 찾습니다(테스트 샘플의 최소 오류 기준).
친애하는 전문가, 관심, 질문 : 시장의 현재 확률적 특성과 무작위 출력 이 샘플링되는 분포의 종속성을 흥미로운 방식으로 구성하는 방법. 이 경우 거래 수와 모델 내부의 일부 종속성이 모두 변경됩니다. 다양한 수익성 있는 모델(솔루션)을 얻을 수 있으며 그 중 맞춤 최적화 기준(모델 오류, 새 데이터에 대한 안정성)에 따라 최적의 모델이 선택됩니다.자본 감소가 주어진 것보다 높고 변동성에 비해 성장이 너무 느린 경우 출구가 합리적으로 보입니다(분산에 대한 드리프트 비율이 작음).
이 접근 방식이 비정상성을 처리하는 데 어떻게 도움이 될지는 명확하지 않습니다.)
검토를 위해 전송되었지만 아직 게시되지 않았습니다.
ATP, 기다릴 것입니다. 이제 기사를 놓치지 않을 것입니다!
흥미로운 기사 http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
그리고 블로그 전체적으로
흥미로운 기사 http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
그리고 블로그 전체적으로
지표를 코드로 표현해 보셨습니까?