새로운 데이터에 대해 재훈련된 동전 하나를 가져가면 SB처럼 작동합니다. (TC 매개변수의 수에 따라) 몇 개를 더 추가하고 오류를 합산하면 날카로운 자두가 나오고 때로는 SB가 나오고 때로는 그 반대가 될 것입니다. 일부 동전은 추세에 묶여있어 변경되었습니다. 작은 변동에 대한 부분. 첫 번째 부분은 항상 잘못된 방향으로 예측하기 시작했고 두 번째 부분은 소음에 대해 재 훈련 되었기 때문에 그것 없이도 나쁘게 예측하고있었습니다. 부정적인 영향이 합산되어 보상 코인이 남지 않았습니다.
Maxim Dmitrievsky #: 새로운 데이터에 대해 재 훈련 된 코인 하나를 가져 가면 sb처럼 작동합니다. 몇 개 더 추가하고 (TS 매개 변수의 수에 따라) 오류를 합산하면 날카로운 자두가 나오고 때로는 sb가 나오고 때로는 그 반대의 경우도 마찬가지입니다. 일부 코인은 추세에 묶여있어 변경되었습니다. 작은 변동에 대한 부분. 첫 번째 부분은 항상 잘못된 방향으로 예측하기 시작했고 두 번째 부분은 소음에 대해 재 훈련 되었기 때문에 그것 없이도 나쁘게 예측하고있었습니다. 부정적인 영향이 더해져 보상 코인이 남지 않았습니다.
이 진술은 SB 행을 더할 때 급격한 덤프가 보인다는 사실과 비교됩니다. SB 자체에 딥이 있습니다. 아무것도 추가할 필요가 없습니다.
제가 틀렸을 수도 있지만 저는 이렇게 생각합니다.
여러 SB의 모든 조합(더하기 등)은 SB입니다.
SB의 모든 TC는 SB입니다.
원래 질문은 급격한 급락의 존재 여부가 아니라 샘플 직후에 급격한 급락이 시작된다는 사실에 관한 것이었습니다.
새로운 데이터에 대해 재 훈련 된 동전 하나를 가져 가면 sb처럼 작동합니다. 몇 개 더 추가하고 (TS 매개 변수의 수에 따라) 오류를 합산하면 날카로운 자두가 나오고 때로는 sb가 나오고 때로는 그 반대의 경우도 마찬가지입니다. 일부 코인은 추세에 묶여있어 변경되었습니다. 작은 변동에 대한 부분. 첫 번째 부분은 항상 잘못된 방향으로 예측하기 시작했고 두 번째 부분은 소음에 대해 재 훈련 되었기 때문에 그것 없이도 나쁘게 예측하고있었습니다. 부정적인 영향이 합산되어 보상 코인이 남지 않았습니다.
이 설명은 SB에서 오른쪽에서 올바른 결과를 얻을 수있는 상황을 찾을 수 있다는 예를 제공합니다 : 반드시 날카로운 자두가 아니라 모든 결과를 얻을 수 있습니다. 예를 들어, 날카로운 이익.
그리고 그 계열에 대해 동일한 테스트/핏을 수행합니다.
고마워요, MathRand 증분을 사용해 보겠습니다.
동일한 효과(방향성 OOS 덤프)가 보이면 TS/MO를 피팅/재트레이닝한 효과입니다.
SB의 정의에 따르면 그런 상황이 있어서는 안된다고 생각합니다.
감사합니다, MathRand 증분을 시도해 보겠습니다.
SB에 OOS 드롭아웃이 있어야 하나요?SB의 정의에 따르면 그렇게 되어 있지 않다고 생각합니다.
저는 보통 작업을 약간 "이동"하려고 합니다. 가능한 모든 매개변수(및 사용 가능한 메타변수)를 약간 변경하고 결과가 어떻게 바뀌는지 확인합니다. 때로는 조금 더 명확해지기도 합니다.
고마워요. 보통은 너무 깊이 들여다보는 게으름이 저를 멈추게 합니다. 물론 피상적인 "흔들기"는 연습합니다.
새로운 데이터에 대해 재 훈련 된 코인 하나를 가져 가면 sb처럼 작동합니다. 몇 개 더 추가하고 (TS 매개 변수의 수에 따라) 오류를 합산하면 날카로운 자두가 나오고 때로는 sb가 나오고 때로는 그 반대의 경우도 마찬가지입니다. 일부 코인은 추세에 묶여있어 변경되었습니다. 작은 변동에 대한 부분. 첫 번째 부분은 항상 잘못된 방향으로 예측하기 시작했고 두 번째 부분은 소음에 대해 재 훈련 되었기 때문에 그것 없이도 나쁘게 예측하고있었습니다. 부정적인 영향이 더해져 보상 코인이 남지 않았습니다.
이 진술은 SB 행을 더할 때 급격한 덤프가 보인다는 사실과 비교됩니다. SB 자체에 딥이 있습니다. 아무것도 추가할 필요가 없습니다.
제가 틀렸을 수도 있지만 저는 이렇게 생각합니다.
왼쪽의 OOS도 적합하며, 일종의 두 번째 주문입니다.
일반적으로 TC의 변형이 1,000개밖에 없다고 가정해 보겠습니다.
1단계와 2단계
1) 좋은 TS를 찾기 위해 최적화/검색을 시작합니다. 이것이 바로 훈련 데이터(피팅/검색/최적화)입니다.
TC가 수익을 창출하는 300개의 변형을 찾았다고 가정해 보겠습니다...
2) 이제 이 300개의 이형 상품 중 OOS를 통과할 TC를 찾는 것이 테스트 데이터입니다. 트레이닝과 테스트에서 모두 수익을 내는 TC가 10개 있다고 가정해 보겠습니다.
그렇다면 포인트 2는 무엇인가요?
이제 최적화 조건(훈련 통과)이 하나가 아니라 두 개(테스트 통과 + 훈련통과)가 있기 때문에 검색(피팅/검색/최적화)이 조금 더 깊어지거나 복잡해졌을 뿐, 피팅의 동일한 연속입니다.
저는 이런 종류의 자기기만은 하지 않습니다. 저는 이런 식으로만 합니다.
이 진술은 SB 행을 더하면 급격한 덤프를 볼 수 있다는 사실과 비교됩니다. 음, SB 자체에 딥이 있습니다. 아무것도 추가할 필요가 없습니다.
제가 틀렸을 수도 있지만 그렇게 보입니다.
설명을 드렸습니다. 이해하는데 시간이 걸릴 수도 있습니다.
서로 다른 것에 대해 이야기하고 있는 것일 수도 있습니다. 또는 용어상의 충돌이 있을 수도 있습니다.
예를 들어, 위에서는 OOS를 포워드 테스트의 한 부분으로 인식하고 있습니다. 즉, 용어는 하나이지만 접근 방식은 다릅니다.
트레이딩, 자동매매 시스템 및 트레이딩 전략 테스트 포럼
트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩
막심 드미트리예프스키, 2023.08.17 06:33 AM
새로운 데이터에 대해 재 훈련 된 동전 하나를 가져 가면 sb처럼 작동합니다. 몇 개 더 추가하고 (TS 매개 변수의 수에 따라) 오류를 합산하면 날카로운 자두가 나오고 때로는 sb가 나오고 때로는 그 반대의 경우도 마찬가지입니다. 일부 코인은 추세에 묶여있어 변경되었습니다. 작은 변동에 대한 부분. 첫 번째 부분은 항상 잘못된 방향으로 예측하기 시작했고 두 번째 부분은 소음에 대해 재 훈련 되었기 때문에 그것 없이도 나쁘게 예측하고있었습니다. 부정적인 영향이 합산되어 보상 코인이 남지 않았습니다.이 설명은 SB에서 오른쪽에서 올바른 결과를 얻을 수있는 상황을 찾을 수 있다는 예를 제공합니다 : 반드시 날카로운 자두가 아니라 모든 결과를 얻을 수 있습니다. 예를 들어, 날카로운 이익.
그러나 이것은 SB에서 샘플 간격을 선택하는 "운"일뿐입니다.
물론 이 모든 것은 적나라한 이론입니다.
트레이딩, 자동매매 시스템 및 테스트 트레이딩 전략에 대한 포럼입니다.
트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩
FX세이버, 2023.08.17 06:27 오후
고마워요, 매트랜드 증분을 시도해 보겠습니다.
차트로 가서 살펴봐야겠습니다.
아마도 서로 다른 것에 대해 이야기하고 있는 것일 수 있습니다. 아니면 용어의 충돌일 수도 있습니다.
예를 들어, 위에서는 OOS를 포워드 테스트 섹션으로 인식하고 있습니다. 즉, 용어는 하나이지만 접근 방식은 다릅니다.
이 설명은 CB에서 올바른 결과를 얻을 수있는 상황을 찾을 수 있다는 예를 제공합니다 : 반드시 날카로운 자두가 아니라 모든 결과를 얻을 수 있습니다. 예를 들어, 급격한 이익.
그러나 이것은 SB에서 샘플 간격을 선택하는 "운"일뿐입니다.
물론 이 모든 것은 적나라한 이론입니다.
차트로 가서 봐야겠습니다.
fxsaber #:
여러 SB의 모든 조합(더하기 등)은 SB입니다.
가중치가 고정된 여러 SB를 추가할 때는 당연히 그렇습니다. 더 복잡한 조합은 주로 변동성 변동으로 인해 더 복잡한 결과를 초래할 수 있습니다.
FXSABER #:
SB의 모든 TS는 SB입니다.
이는 모든 거래가 거의 동일한 거래량, 스톱 및 테이크 아웃을 사용하는 경우에만 부분적으로 사실입니다.
수학적으로 말하면"SB의 모든 TS는 마틴게일"입니다(마틴게일과 혼동하지 마세요). 예를 들어 오버시팅, 평균화 등을 하는 동안 SB에 그려진 포커도 마틴게일이지만 SB는 아닙니다.