Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3139

Новый комментарий
 
mytarmailS #:

Он туп ужасно пока что , но учиться как то совсем по другому чем другие модели , мне кажеться что когда он обучиться это будет жесть


честно, очень слабо верится, что он может задавать себе вопросы... если это так, то это немыслимо круто. хотя, возникает вопрос, реализована ли технически возможность отвечать ему на свои вопросы.
в ветке про чатгпт я предполагал теоретическую возможность когда нибудь реализуемой обратной связи с самовопрошанием, у человека это работает в среднем с частотой 30-70 гц. конечно, закидали тапками со словами "чушь, такого не могет быть никогда"
 

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:

  1. Модель обучается на обучающих данных.
  2. Модель тестируется на тестовых данных.
  3. Модель обучается снова, но на обучающих данных с добавлением части тестовых данных.
  4. Модель тестируется снова на оставшихся тестовых данных.
  5. Эта процедура повторяется несколько раз, и результаты каждой итерации сохраняются.
  6. На основе результатов всех итераций оценивается вероятность переобучения модели.

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:

  1. Данные разбиваются на k равных частей.
  2. Модель обучается на k-1 частях данных, а оставшаяся часть данных используется для тестирования.
  3. Этот процесс повторяется k раз, и результаты k тестов объединяются для получения оценки точности модели.
  4. Дисперсия оценок точности вычисляется.
  5. Вероятность переобучения оценивается на основе дисперсии оценок точности.

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:

  1. Разделите данные на обучающий набор, набор для проверки и набор для тестирования.
  2. Обучите модель на обучающем наборе.
  3. Оцените модель на наборе для проверки.
  4. Повторите шаги 2-3 для разных значений гиперпараметров модели.
  5. Выберите набор гиперпараметров, который приводит к наилучшей точности на наборе для проверки.
  6. Оцените модель на наборе для тестирования.
  7. Оцените вероятность переобучения модели, используя набор для тестирования.

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.

 
Andrey Dik #:

Б, хотя А романтичнее

Не следует торопиться с ответом, мой милый друг.

P.Z.

Присутствует много отвлекающих факторов.

Это похоже немного на Е=С*М*С, которое никто так и не решил.

Хотя! Альберт, в своё время пытался за это получить по шНобелю.

 
Lorarica #:

Не следует торопиться с ответом, мой милый друг.

P.Z.

Присутствует много отвлекающих факторов.

Это похоже немного на Е=С*М*С, которое никто так и не решил.

Хотя! Альберт, в своё время пытался за это получить по шНобелю.


да хорош))
к летящему болту не приложены сылы (кроме тех, что озвучены в задаче), значит он может двигаться только равномерно поступательно после придания ему импульса. конечно, на него действуют ещё куча других сил, как то излучение ближайшей звезды и её гравитация, столкновения с межзвездной пылью и другими малыми телами.)))
у меня даже игруха весьма правдоподобная на эту тему написана на mql5, можете проверить свою задачу, всмысле - создать симуляцию.
старина Альберт - молоток, уважуха и респект.

кстати, стимулятор на mql5 написан в чуть более чем 100 строк кода.
думаю, наш мир, если он симуляция, занимает не намного больше строк кода. а все замысловатые флуктуации реального мира могли бы быть получены с введением случайной компоненты в соответствующую переменную нашено мира.
Аминь.
 

Это очередная невозможная релятивистская задачка, даже не указано до какой скорости разогнали корабль фотонные двигатели

если до скорости света (что невозможно в релятивизме), то прилипнет к перчатке :)

Если в классической механике, то болт первый долетит

Еще там может быть какая-нибудь фигня про стороннего наблюдателя, для которого болт вообще вернется на землю :)
 
Maxim Dmitrievsky #:

Это очередная невозможная релятивистская задачка, даже не указано до какой скорости разогнали корабль фотонные двигатели

если до скорости света (что невозможно в релятивизме), то прилипнет к перчатке :)

Если в классической механике, то болт первый долетит


фигня это всё. законы начинат хромать даже при скоростях 0.5 скорости света. так что корабль замедлился, но у него есть тяга. данных не хватает, но похоже чел верхом на в виду переданной болтом в обратку импульса, ракете всё же еп нется на марс раньше, чем болт.
у болта тяги нет, он летит с постоянной скоростью.
 
Andrey Dik #:

фигня это всё. законы начинат хромать даже при скоростях 0.5 скорости света. так что корабль замедлился, но у него есть тяга. данных не хватает, но похоже чел верхом на в виду переданной болтом в обратку импульса, ракете всё же еп нется на марс раньше, чем болт.
у болта тяги нет, он летит с постоянной скоростью.

тогда да, Б ) если корабль не выключил мотор

 
Maxim Dmitrievsky #:

тогда да, Б )

P.Z.

Never slept so little,

Never smoked so much

Lost my concentration, I could

Even lose my touch

P.Z.

Выключил мотор! Есть в описании.

 
Lorarica #:

P.Z.

Never slept so little,

Never smoked so much

Lost my concentration, I could

Even lose my touch

P.Z.

Выключил мотор! Есть в описании.

значит до марса долетит первый

 
Maxim Dmitrievsky #:

значит до марса долетит первый

P.Z.

Talking to myself,

Crying out loud

Only I can hear me,

I'm stuck inside a cloud

1...313231333134313531363137313831393140314131423143314431453146...3496
Новый комментарий
Причина обращения: