Discussão do artigo "Gradient Boosting (CatBoost) no desenvolvimento de sistemas de negociação. Uma abordagem ingênua" - página 7
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Essa abordagem está completamente errada. Não é possível gerar um modelo com base no mesmo conjunto de dados de treinamento e teste e depois dizer que ele está funcionando, pois isso é inútil e sem fundamento. Isso é chamado de ajuste de curva do modelo. Esses modelos parecem bons no papel, mas nunca funcionarão no mundo real. Use a abordagem correta para o aprendizado de máquina. Há várias maneiras de fazer isso, mas a sua está completamente errada.
Acho que vocês dois estão completamente errados. O artigo marcado como "abordagem ingênua" é uma introdução ao modelo CatBoost. Ninguém o proíbe de testar o modelo com novos dados. Além disso, no final do artigo, você pode ver o teste em novos dados + período de aprendizado.
Basta ler os artigos com mais atenção, pois a próxima parte está a caminho.Devo ter queimado meus olhos enquanto descobria o que você está fazendo aqui, embora tudo seja simples ao ponto da impossibilidade, mas ainda é difícil perceber os pensamentos de outra pessoa....
O que posso dizer?
1) os sinais definitivamente não são os melhores, há um escopo enorme.
2) não é necessário misturar os dados antes de treinar o classificador (eu verifiquei isso).
3) O que é realmente valioso é o alvo, é ele que puxa todo o artigo (eu o comparei com o ZZ, o ZZ é um lixo).
Em geral, a abordagem acabou sendo a seguinte - maximizar todos os "movimentos apenas para obter um bom resultado na validação"
E selecionamos o melhor modelo ))))
E eu consegui "mover" dessa forma.
Mas, na verdade, é a mesma maneira que eu estava falando quando otimizei os pesos dos neurônios, só que eu "me movi" imediatamente com o lucro máximo.
Bem, não sei mais o que escrever...
Devo ter queimado os olhos enquanto descobria o que você estava fazendo aqui, embora tudo seja simples ao ponto de ser impossível, mas ainda é difícil perceber os pensamentos de outra pessoa....
O que posso dizer?
1) os sinais não são os melhores, há um espaço enorme.
2) não é necessário embaralhar os dados antes de treinar o classificador (eu verifiquei isso).
3) O que é realmente valioso é o alvo, é o que puxa o artigo inteiro (comparado com o ZZ, o ZZ é um lixo)
Em geral, a abordagem acabou sendo a seguinte: "movemos tudo o máximo possível apenas para obter um bom resultado na validação".
E selecionamos o melhor modelo ))))
E eu consegui "mover" dessa forma.
Mas, na verdade, é a mesma maneira que eu estava falando quando otimizei os pesos do neuronkey, só que eu o estava movendo para o lucro máximo.
Bem, não sei mais o que escrever...
Isso não funciona dessa forma sem o GMM. Além disso, você não se deu conta do intervalo curto em que pode treinar e do tempo de vida do modelo com novos dados. Esse não é o limite, há maneiras de estender a vida útil. A abordagem como um todo é orgânica, não é possível separar as partes.
Sim, você pode tentar outras mais significativas. Use-a, aprimore-a
Isso não funciona dessa forma sem o GMM. Além disso, você não verificou o intervalo curto em que pode treinar e quanto tempo o modelo dura com novos dados. Esse não é o limite, há maneiras de estender a vida útil. A abordagem completa é orgânica, não é possível separar as partes.
Sim, você pode tentar outras mais significativas. Use-a, aprimore-a
Vou tentar isso com o gmm amanhã.
Vou tentar fazer isso com o gmm amanhã.
Ah, esse é o artigo sobre o qual você escreveu. Sim, é. É um artigo introdutório para evitar que o leitor saia completamente dos trilhos.
Sim, pensei em analisá-lo em ordem
Em geral, sem o Shuffle, o sistema começa imediatamente a se esgotar de forma esperada.
Agora você pode pular para o próximo artigo