Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2566
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
https://www.mql5.com/ru/forum/375928/page2
0 ≤ H < 0,5 - fiyatlar fraktal ise, FMH'nin geçerliliği onaylanır, değişkenlerin dağılımında “ağır kuyruklar” vardır, kalıcı olmayan seriler, yani. fiyat değişikliklerinde negatif korelasyon, fiyat hareketi yönünde sık değişikliklerle pembe gürültü;Vorontsov muhtemelen Rusya'daki en iyi MO uzmanıdır. Bu nedenle kurs iyi olmalı, ancak BT çalışanları için olduğu için, bizim için temel ve önemli matematik burada atlanmıştır. Ticarette matematiksel yöntemlerin uygulanması için temel, basitleştirilmiş biçimlerinin nadiren uygun olduğunu defalarca fark ettim.
ML, tahmin edicilerin ve P(X,Y) yanıtlarının değişmez bir ortak dağılımı olduğu varsayımına dayanır (örneğin Tibshirani'ye bakınız). Buradan, Y=f(X) regresyonunun hesaplanabileceği koşullu olasılık Py(Y|X) hesaplanabilir. Sonuç olarak, bu regresyon herhangi bir MO modeli tarafından yaklaştırılır. Fiziksel dünyada, bu teori az çok işe yarar. Ama ticarette değil. P(X,Y)'nin zamanla (durağan olmama) öngörülemeyen bir şekilde değiştiği ve tüm teorinin biraz çöktüğü ortaya çıktı.
Bir şekilde kendi teorinizi oluşturmalısınız ve işte zaten - kim ilgileniyor) En yaygın yaklaşım, durağanlığı görmezden gelmek ve ardından sonuçlara şaşırmak ve MO hakkında şikayet etmektir)
Tam olarak anlamak önemlidir: neyin "durağan olmaması"? ve zaman serisinin kendisinin durağan olmamasına kaymaz. Büyük olasılıkla, kotirin kendisinin durağan olmadığını görmezden gelebilirsiniz.
Köşe taşı, koşullu olasılık Py(Y|X)'dir.
Koşullu olasılık yerine, belirli bir öğretmenle ilgili olarak yordayıcının "tahmin yeteneğini" kullanmak daha uygundur.
Böyle bir tahmin yeteneğinin ölçüsünü tanıttım ve pencereyi VR üzerinden çalıştırdım, 2000 örnekte istatistik topladım. Modellerden hiç bahsedilmediğini vurgulamak isterim. "Tahmin-öğretmen" çifti arıyoruz.
İşte sonuçlardan bazıları: sütun ayrı bir tahmin edicidir, son satırlar verilmiştir: tahmin yeteneğinin ortalama değeri, standart sapma ve kolaylık için %.
Tahminciler arasında yaklaşık %10 sd/ortalama oranına sahip bir tahmin edici olduğunu görüyoruz. Ancak bu yüzdenin %100'den fazla olacağına dair tahmin edicilerle karşılaşmamış olmam dikkat çekicidir.
Bu nedenle, tasarım görevi, belirli bir öğretmen için, %10 ve tercihen %5'lik sınırlı bir sd/ortalama oranına sahip olacak ve ihmal edilebilecek böyle bir öngörücüler kümesi bulmaktır. Tahmine dayalı istikrar, bir ticaret sisteminin temel taşıdır.
cümleyi kelimesi kelimesine google
"
Serinin seviyesinin gelecekteki değerinin optimal tahmininin mevcut değeri olduğu ortaya çıktı."
Tam olarak anlamak önemlidir: neyin "durağan olmaması"? ve zaman serisinin kendisinin durağan olmamasına kaymaz. Büyük olasılıkla, kotirin kendisinin durağan olmadığını görmezden gelebilirsiniz.
Köşe taşı, koşullu olasılık Py(Y|X)'dir.
Koşullu olasılık yerine, belirli bir öğretmenle ilgili olarak yordayıcının "tahmin yeteneğini" kullanmak daha uygundur.
Böyle bir öngörü yeteneğinin bir ölçüsünü tanıttım ve pencereyi VR üzerinden sürdüm ve 2000 örnekte istatistik elde ettim. Modellerden hiç bahsedilmediğini vurgulamak isterim. "Tahmin-öğretmen" çifti arıyoruz.
İşte sonuçlardan bazıları: sütun ayrı bir tahmin edicidir, son satırlar verilmiştir: tahmin yeteneğinin ortalama değeri, standart sapma ve kolaylık için %.
Tahminciler arasında yaklaşık %10 sd/ortalama oranına sahip bir tahmin edici olduğunu görüyoruz. Ancak bu yüzdenin %100'den fazla olacağına dair tahmin edicilerle karşılaşmamış olmam dikkat çekicidir.
Bu nedenle, tasarım görevi, belirli bir öğretmen için, %10 ve tercihen %5'lik sınırlı bir sd/ortalama oranına sahip olacak ve ihmal edilebilecek böyle bir öngörücüler kümesi bulmaktır. Tahmine dayalı istikrar, bir ticaret sisteminin temel taşıdır.
Tam olarak anlamak önemlidir: neyin "durağan olmaması"? ve zaman serisinin kendisinin durağan olmamasına kaymaz. Büyük olasılıkla, kotirin kendisinin durağan olmadığını görmezden gelebilirsiniz.
Köşe taşı, koşullu olasılık Py(Y|X)'dir.
Koşullu olasılık yerine, belirli bir öğretmenle ilgili olarak yordayıcının "tahmin yeteneğini" kullanmak daha uygundur.
Böyle bir öngörü yeteneğinin bir ölçüsünü tanıttım ve pencereyi VR üzerinden sürdüm ve 2000 örnekte istatistik elde ettim. Modellerden hiç bahsedilmediğini vurgulamak isterim. "Tahmin-öğretmen" çifti arıyoruz.
İşte sonuçlardan bazıları: sütun ayrı bir tahmin edicidir, son satırlar verilmiştir: tahmin yeteneğinin ortalama değeri, standart sapma ve kolaylık için %.
Tahminciler arasında yaklaşık %10 sd/ortalama oranına sahip bir tahmin edici olduğunu görüyoruz. Ancak bu yüzdenin %100'den fazla olacağına dair tahmin edicilerle karşılaşmamış olmam dikkat çekicidir.
Bu nedenle, tasarım görevi, belirli bir öğretmen için, %10 ve tercihen %5'lik sınırlı bir sd/ortalama oranına sahip olacak ve ihmal edilebilecek böyle bir öngörücüler kümesi bulmaktır. Tahmine dayalı istikrar, bir ticaret sisteminin temel taşıdır.
Serilerin durağanlığı olmadan sizinki gibi istatistiksel hesaplamalar anlamsız olabilir - örnek değerlerin gerçek değerlere yakınsaması olmayabilir. Örneğin, komşu artışların seçici korelasyonunun sıfırdan farklı olacağı, ancak gerçek olanın sıfır olduğu bir örnek bulmak kolaydır.
not.
Durağanlık "dar anlamda" anlaşılır - ortak dağılımların zamandan bağımsızlığı.
Durağanlık eksik olabilir - örneğin, yalnızca artışların ortak dağılımlarıyla (sabit artışlarla işlemler) ilgili olabilir.
Gerçekleştirmelerden sadece biri olan seriden değil, döngünün durağanlığından bahsetmek elbette doğrudur. bu süreç. Ama sınavda değiliz, bu yüzden önemli değil)
Genellikle durağanlık ile "en geniş anlamda" varyantını kastediyorlar. Aynı zamanda, ACF'deki durumu unutarak yalnızca ortalamanın ve varyansın sabitliğini hatırlarlar. Her durumda, bu durağanlık MO'da yeterli değildir (lineer modeller için yeterli olacaktır).
Bu, MO'daki ustanın sanatının sadece bir unsuru, bu tür bağlantıların aranması. Deneyimlerime dayanarak, benzer bir şey yapıyorum. Genellikle, kaynak yoğun olan çapraz entropi yoluyla bağımlılıkları ararlar. daha hızlı mısın
Tahmini başına yaklaşık bir saniye (XEON-1620).
Serilerin durağanlığı olmadan sizinki gibi istatistiksel hesaplamalar anlamsız olabilir - örnek değerlerin gerçek değerlere yakınsaması olmayabilir. Örneğin, komşu artışların seçici korelasyonunun sıfırdan farklı olacağı, ancak gerçek olanın sıfır olduğu bir örnek bulmak kolaydır.
not.
Durağanlık "dar anlamda" anlaşılır - ortak dağılımların zamandan bağımsızlığı.
Durağanlık eksik olabilir - örneğin, yalnızca artışların ortak dağılımlarıyla (sabit artışlarla işlemler) ilgili olabilir.
Gerçekleştirmelerden sadece biri olan seriden değil, döngünün durağanlığından bahsetmek elbette doğrudur. bu süreç. Ama sınavda değiliz, bu yüzden önemli değil)
Genellikle durağanlık ile "en geniş anlamda" varyantını kastediyorlar. Aynı zamanda, ACF'deki durumu unutarak yalnızca ortalamanın ve varyansın sabitliğini hatırlarlar. Her durumda, bu durağanlık MO'da yeterli değildir (lineer modeller için yeterli olacaktır).
Kedinin kendisiyle ilgilenmiyorum. Bir yordayıcının bir öğretmeni tahmin etme yeteneğiyle ilgileniyorum. Benim için, tüccarların büyük çoğunluğunun en büyük hatası, teklifin kendi sorunlarını çözme girişimleridir. Ve bir öğretmenin tahminine ihtiyacımız var. Bu tamamen farklı bir sorun.
Kedinin kendisiyle ilgilenmiyorum. Bir yordayıcının bir öğretmeni tahmin etme yeteneğiyle ilgileniyorum. Benim için, tüccarların büyük çoğunluğunun en büyük hatası, teklifin kendi sorunlarını çözme girişimleridir. Ve bir öğretmenin tahminine ihtiyacımız var. Bu tamamen farklı bir sorun.
bu "öğretmenin tahmini" nedir?