Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3138
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
можно так
через vps пашет бард?
можно так
он уже знает потому что я ему дал инфу, его можно учить на ходу тому чего он не знал ранее.. после того как я ему дал эти знания я загрузил новую сесию и он уже знал про этот пакет )) прикольно
Господа, не стоит забывать, либо стоит понять, что...
Как только любого рода робот оказался на реальном рынке, действия его становятся прогнозируемы и прозрачны для рынка, ибо он становится вписанным в общую торговую систему и с этого момента сигналы ему будет делать адаптивный алгоритм ценообразования, а не мертвые исторические данные.
Легко подогнать/смоделировать цену под ситуацию, когда робот отдаст деньги.
И это будет чаще, чем в тестере, 100%
Ну взгляните на свой полученный при помощи МО баланс ;))))
неоднократно: то вверх, то вниз.
Скажу вам прямо - типичный сливатор, он же тестерный грааль.
Такая ТС никогда не заработает на реале.
он уже знает потому что я ему дал инфу, его можно учить на ходу тому чего он не знал ранее.. после того как я ему дал эти знания я загрузил новую сесию и он уже знал про этот пакет )) прикольно
прикол
через vps пашет бард?
vpn да
По просторам вселенной по направлению к Марсу летит корабль.
Фотонные двигатели разогнали его до предела и он летит по инерции.
На космическом корабле верхом сидит космонавт, с флагом в левой руке.
Правой рукой по ходу корабля он бросает Болт диаметром М40 с ускорением 5 метров в секунду.
Вопрос. Что произойдет с болтом?
А. Найдет свою гайку.
Б. Полетит с постоянной скоростью.
В. Полетит с ускорением.
Г. Прилипнет к перчатке космонавта.
Д. Первым долетит до Марса.
Е. Вернётся на землю.
P.Z.
Научится управлять машинами и начнёт управлять Космонавтом, с помощью космического корабля?
прикол
Он туп ужасно пока что , но учиться как то совсем по другому чем другие модели , мне кажеться что когда он обучиться это будет жесть
По просторам вселенной по направлению к Марсу летит корабль.
Фотонные двигатели разогнали его до предела и он летит по инерции.
На космическом корабле верхом сидит космонавт, с флагом в левой руке.
Правой рукой по ходу корабля он бросает Болт диаметром М40 с ускорением 5 метров в секунду.
Вопрос. Что произойдет с болтом?
А. Найдет свою гайку.
Б. Полетит с постоянной скоростью.
В. Полетит с ускорением.
Г. Прилипнет к перчатке космонавта.
Д. Первым долетит до Марса.
Е. Вернётся на землю.
P.Z.
Научится управлять машинами и начнёт управлять Космонавтом, с помощью космического корабля?
Он туп ужасно пока что , но учиться как то совсем по другому чем другие модели , мне кажеться что когда он обучиться это будет жесть
разбор статьи Прадо про переобучение
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Бард:
Суть метода авторов заключается в использовании кросс-валидации для оценки того, насколько сильно модель меняется при добавлении новых данных. Если модель сильно меняется, это означает, что она переобучается на обучающих данных и, скорее всего, будет переобучена на тестовых данных.
Метод авторов работает следующим образом:
Метод авторов более точен, чем традиционные методы оценки переобучения, такие как holdout, потому что он учитывает изменение модели при добавлении новых данных. Holdout метод оценивает переобучение только на основе обучающих и тестовых данных, но не учитывает изменения модели при добавлении новых данных.
Метод авторов может быть использован для оценки вероятности переобучения любой модели машинного обучения. Он может быть использован для оценки вероятности переобучения модели, которая прогнозирует цены на акции, модель, которая классифицирует изображения, или любую другую модель машинного обучения.
вариант 2 ====================================
Метод, предложенный авторами, основан на идее использования кросс-валидации для оценки того, насколько сильно модель меняется при добавлении новых данных. Если модель сильно меняется, это означает, что она переобучается на обучающих данных и, скорее всего, будет переобучена на тестовых данных.
Для того чтобы оценить вероятность переобучения, авторы используют метод кросс-валидации, называемый k-fold cross-validation. В k-fold cross-validation данные разбиваются на k равных частей. Затем модель обучается на k-1 частях данных, а оставшаяся часть данных используется для тестирования. Этот процесс повторяется k раз, и результаты k тестов объединяются для получения оценки точности модели.
После того как получена оценка точности модели, авторы используют ее для оценки вероятности переобучения. Они делают это, вычисляя дисперсию оценок точности. Чем выше дисперсия, тем больше вероятность переобучения.
Авторы показывают, что их метод может быть более точным, чем традиционные методы оценки переобучения, такие как holdout. Они также показывают, что их метод может быть использован для выбора наилучших гиперпараметров модели.
Вот шаги, которые авторы используют для оценки вероятности переобучения:
Авторы показывают, что их метод может быть использован для оценки вероятности переобучения для различных моделей машинного обучения, включая линейные регрессии, логистические регрессии и деревья решений. Они также показывают, что их метод может быть использован для выбора наилучших гиперпараметров для этих моделей.
В целом, метод, предложенный авторами, является точным и полезным инструментом для оценки вероятности переобучения. Метод авторов может быть использован для оценки вероятности переобучения модели и для выбора наилучших гиперпараметров модели.
вариант 3 =========================================
Метод авторов основан на идее использования кросс-валидации для оценки того, насколько сильно модель меняется при добавлении новых данных. Если модель сильно меняется, это означает, что она переобучается на обучающих данных и, скорее всего, будет переобучена на тестовых данных.
Чтобы продемонстрировать точность своего метода, авторы применили его к задаче прогнозирования цен на акции. Они сравнили результаты своего метода с результатами holdout и показали, что их метод более точно прогнозирует цены на акции.
Авторы также показали, что их метод может быть использован для выбора наилучших гиперпараметров модели. Они использовали свой метод для выбора наилучших гиперпараметров для модели машинного обучения, которая прогнозирует цены на акции. Они показали, что их метод может выбрать гиперпараметры, которые приводят к модели с более высокой точностью.
В целом, авторы показали, что их метод оценки вероятности переобучения является точным и полезным инструментом для бэктестирования. Метод авторов может быть использован для оценки вероятности переобучения модели и для выбора наилучших гиперпараметров модели.
Вот шаги, которые используются в методологии авторов:
Метод авторов является более точным, чем традиционные методы оценки переобучения, такие как holdout, потому что он учитывает изменение модели при добавлении новых данных. Holdout метод оценивает модель только на обучающем наборе и на тестовом наборе. Это означает, что holdout метод не может учитывать изменение модели при добавлении новых данных.
Метод авторов также может быть использован для выбора наилучших гиперпараметров модели. Holdout метод не может быть использован для выбора наилучших гиперпараметров модели, потому что он не учитывает изменение модели при добавлении новых данных.
В целом, метод авторов является точным и полезным инструментом для бэктестирования. Метод авторов может быть использован для оценки вероятности переобучения модели и для выбора наилучших гиперпараметров модели.