Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2478
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Спасибо. Вероятно я не корректно задал вопрос, я имел в виду, возможно ли такое, что большее количество сгенерированых семплов даст более стандартизированную выборку.
Важно что бы при формировании выборки было как можно меньше противоречий иначе от обучения толку не будет . Представьте что в одном случае при одном и том же значении входного вектора целевая имеет значение 1, а в следующем примере при идентичном входном векторе целевая имеет 0. Что тогда делать алгоритму? Как реагировать? Поэтому увеличение обучающих семплов актуально только в том случае когда это не ведёт к увеличению противоречий. Филосовский вопрос. Я вот например на 100 обучающих примерах охватываю 3 месяца рынка на М5. Как пример...
ты хоть сам понял, что написал?
Mihail Marchukajtes #:
Важно что бы при формировании выборки было как можно меньше противоречий иначе от обучения толку не будет. Представьте что в одном случае при одном и том же значении входного вектора целевая имеет значение 1, а в следующем примере при идентичном входном векторе целевая имеет 0. Что тогда делать алгоритму? Как реагировать? Поэтому увеличение обучающих семплов актуально только в том случае когда это не ведёт к увеличению противоречий. Филосовский вопрос. Я вот например на 100 обучающих примерах охватываю 3 месяца рынка на М5. Как пример...
Я согласен с вами, если один и тот же пример описывает несколько состояний, то при классификации любым доступным алгоритмом мы получим вероятность близкую к 1/n где n - количество состояний.
Но ведь не существует абсолютно похожих примеров, они похожи в определённой степени. Вопрос как выявить эту "похожесть".
100 примеров за 3 месяца на М5... интересно... А вы перед обучением выбираете семплы из исходной выборки по правилам, которые затем используете при торговле?
Я согласен с вами, если один и тот же пример описывает несколько состояний, то при классификации любым доступным алгоритмом мы получим вероятность близкую к 1/n где n - количество состояний.
Но ведь не существует абсолютно похожих примеров, они похожи в определённой степени. Вопрос как выявить эту "похожесть".
100 примеров за 3 месяца на М5... интересно... А вы перед обучением выбираете семплы из исходной выборки по правилам, которые затем используете при торговле?
Если один и тот же набор независимых переменных в обучающей выборке соответствует только одной зависимой переменной, то это детерминированный ряд.
Там и классифицировать нечего - ошибка прогноза 0.
Да, это уже агония
Если один и тот же набор независимых переменных в обучающей выборке соответствует только одной зависимой переменной, то это детерминированный ряд.
Там и классифицировать нечего - ошибка прогноза 0.
Да, это уже агония
Спасибо. Возможно, это не агония, а отсутствие у меня фундаментальных знаний.
Это также справедливо если несколько наборов независимых переменных соответствует одной переменной?
Спасибо. Возможно, это не агония, а отсутствие у меня фундаментальных знаний.
Это также справедливо если несколько наборов независимых переменных соответствует одной переменной?
ты хоть сам понял, что написал?
Я согласен с вами, если один и тот же пример описывает несколько состояний, то при классификации любым доступным алгоритмом мы получим вероятность близкую к 1/n где n - количество состояний.
Но ведь не существует абсолютно похожих примеров, они похожи в определённой степени. Вопрос как выявить эту "похожесть".
100 примеров за 3 месяца на М5... интересно... А вы перед обучением выбираете семплы из исходной выборки по правилам, которые затем используете при торговле?
Абсолютно похожих примеров не существует, Вы правы, НО существует понятие близости векторов и если два вектора очень близки друг к другу но имеют разные значения целевой это заставляет алгоритм сделать изгиб небольшой который приводит к снижению устойчивости модели, когда незначительное изменение входного вектора приводит к существенному изменению результата. Это то же не есть гуд, потому как модель становится крайне чувствительна к входным данным и следовательно может чаще ошибаться.
100 примеров за 3 месяца на М5 достигается прореживанием данных коим является базовая стратегия, которая заставляет анализировать рынок не на каждом баре а только в определённый момент времени, когда сформировалось условие для анализа. Почитайте мою статью что бы примерно понимать о чём идёт речь. Правда она уже порядком устарела и многое я там уже не использую (продвинулся дальше) но в базовом понятии там всё осталось без изменения!!!
Ну да. Это называется противоречивость данных. Я так то 20 лет сетями занимаюсь и можно сказать сторожила этой ветке. А почему Вы спрашиваете?
Шо опять бухаешь?? :))
Или на что поинтереснее перешел? ))