Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1615

[Forester]

Aleksey Vyazmikin:

Não se trata de encolhimento, mas de estatísticas de comportamento preditor em uma amostra fora de uma divisão - isso deve reduzir a aleatoriedade da seleção de um valor preditor.

A propósito, a AlgLib faz a grelha em cada divisão ou uma vez e depois usa essa grelha? Pelo que entendi, desenvolvedores do estado de CatBoost, essa grade é feita apenas uma vez por eles.

Não há aleatoriedade. A melhor partição disponível de cada preditor é selecionada. Existe aleatoriedade na floresta, quando cada árvore é alimentada não todos os preditores, mas por exemplo, metade dos preditores selecionados aleatoriamente.

Aprende uma vez. Não há reciclagem. Para árvores/floresta, parece não haver qualquer reaprendizagem, provavelmente porque é bastante rápido reaprender.
E porquê a grelha? As árvores têm nós e folhas.

[Maxim Dmitrievsky]

elibrarius:
A propósito, o que eu não gosto nos impulsos é que a profundidade de árvore recomendada é de 7-10.
Isto é, se tivermos 100 preditores e a divisão lá também começa no meio de cada preditor. É muito provável que tenhamos 7 preditores diferentes divididos no meio. Talvez 1 ou 2 se dividam em um quarto, provavelmente menor.
Ou no reforço de algoritmos, o algoritmo não funciona por meia divisão, mas em pedaços menores? Alguém sabe?
E quem usa que profundidade de árvore?

[Forester]

Maxim Dmitrievsky:

47 minutos é uma pena... para ouvir as noções básicas, que são na sua maioria conhecidas. Apenas uma questão específica é de interesse. Se você sabe - me diga)

[Maxim Dmitrievsky]

elibrarius:

47 minutos é uma pena... para ouvir as noções básicas, que são na sua maioria conhecidas. Apenas uma questão específica é de interesse. Se sabes, diz-me.

são todos construídos de forma diferente, tem de se ler o manual de cada um.

tudo não importa se você tem chips informativos relevantes para o alvo, então qualquer método funciona

Eu estava a comparar a floresta com o aumento de características semelhantes. O reforço tem menos excesso de equipamento, em geral +-

[Forester]

Maxim Dmitrievsky:

são todos construídos de forma diferente, é preciso ler a ajuda para cada

não importa se existem características informativas relevantes para o alvo, então qualquer método funciona

Eu estava a comparar a floresta com o aumento de características semelhantes. O reforço tem menos sobreajustes, em geral +-

A que profundidade você definiu o impulso?

[Mihail Marchukajtes]

Maxim Dmitrievsky:

são todos construídos de forma diferente, é preciso ler a ajuda para cada

não importa se existem características informativas relevantes para o alvo, então qualquer método funciona

Eu estava a comparar a floresta com o aumento de características semelhantes. O reforço tem menos sobreajustes, em geral +-

É isso que eu quero dizer. Se as entradas forem adequadas ao fim a que se destinam, qualquer método funcionará. Era isso que eu queria verificar porque os meus dados são muito bons. Mas só o otimizador Reshetov o prova, e como você entende um especialista não é suficiente para fazer uma avaliação subjetiva. Não se trata do método, cada um dos métodos requer apenas um certo número de características (Max, esta é a primeira vez que usei esta palavra por sua causa) alguém precisa de muitas delas, alguém um pouco, mas em geral, se os dados de entrada explicam a variável de saída, então qualquer método funcionará. E eu acho que os resultados serão semelhantes. Gostaria de poder usar minhas entradas em outros sistemas que não o Reshetov. É necessário ir ao fórum de programadores, eu não sei para onde ir :-(.

[Maxim Dmitrievsky]

elibrarius:
Que profundidade você definiu para o impulso?

2 a 10, quanto maior for a profundidade, maior será o ajuste

de forma ideal 3-7

o degrau de inclinação também pode ser alterado. Em geral, não importa, os resultados são menos dispersão, menos offset, menos sinais, etc... e a imagem média é preservada. É uma questão de optimização, não tem nada a ver com qualidade.

[Mihail Marchukajtes]

Max, sinceramente, obrigado pelo vídeo sobre o neurônio natural, mas este vídeo não é muito bom. O problema é que eu tenho uma teoria de requalificação em que tenho pensado há muito tempo e a construí de forma bastante adequada para mim. Tenho a certeza que o pessoal do Yandex estaria interessado em ouvi-lo. Eh... Quem me dera poder encontrar forças para gravar um vídeo. Estou sempre bêbado ou engraçado. Eu não sei sobre isso :-(

[Maxim Dmitrievsky]

Mihail Marchukajtes:
Max, quero agradecer-te pelo vídeo sobre o neurónio natural, mas este vídeo não é assim tão bom. A questão é que eu tenho uma teoria de requalificação em que tenho pensado há muito tempo e a construí de forma bastante adequada para mim. Tenho a certeza que o pessoal do Yandex estaria interessado em ouvi-lo. Eh... Quem me dera poder encontrar forças para gravar um vídeo. Estou sempre bêbado ou engraçado. Eu não sei sobre isso :-(

))) as regularidades devem ser procuradas através de análise estatutária em vez de torturar os neurónios

Por exemplo, no meu penúltimo artigo dei as flutuações sazonais do EURUSD durante 10 anos, por meses. Este ano, está tudo a repetir-se. Abril-Maio será o mais interessante (a partir do curto prazo)

[Mihail Marchukajtes]

Maxim Dmitrievsky:

))) as regularidades devem ser procuradas através de análise estatística, e não através de torturar neurónios

É isso que eu quero dizer. Antes de incomodar JPrediction eu deixo apenas 150 peças de 6000 mil colunas, que são estatisticamente significativas, e só então procuro aquela notória lei que descreve a produção. O número de colunas deve ser o dobro do número de linhas da tabela, teoricamente falando, para que o algoritmo tenha dados suficientes para escolher. Como resultado, o otimizador deixa de 5 a 10 peças em 150 sugeridas por mim para formar o modelo final.