交易中的机器学习：理论、模型、实践和算法交易 - 页 1228

[mytarmailS]

马克西姆-德米特里耶夫斯基。

然后会有很少的例子，在新的数据上ns会变得盲目迷失，她需要尽可能多的 "看到 "她的生活。

作为一个选项....

1) 创建 "理想的交易"，标记交易，交易+佣金，可以是最有利可图的选择......我们将获得像人字形的东西，在顶部和底部的交易......

2）形成这种理想的贸易的股票

3）教授模型。训练的目的 - 实现最大的相关性（模型的交易股票+佣金）与（理想化的股票），这些模型的质量可以用一个数字来表示，kf相关度

通过这种方式，模型将能够尽可能顺利和准确地适应数据。

当然，我们也不应该忘记训练中的OOS。

ps.我写的这些都是纯理论。

[[删除]]

mytarmailS:

作为一个选项....

1) 创建一个 "理想的交易"，有标记的交易，交易+佣金，你可以有最有利的选择......它将像一个之字形，在顶部和底部的交易......

2）形成这种理想的贸易的股票

3）教授模型。训练的目的 - 实现最大的相关性（模型的交易股票+佣金）与（理想化的股票），这些模型的质量可以用一个数字表示，kf相关性

通过这种方式，模型将能够尽可能顺利和准确地适应数据。

当然，我们也不应该忘记训练中的OOS。

ps.我写的所有东西都是纯理论。

基本上是这样做的，但你可以改变 "理想公平 "的程度，因为越是理想，越是过度训练。

托盘上的错误：0，OOS上的错误：0.4。

一个 "理想 "的交易，包括OOS（内部），显示亏损的交易只有15%，这与OOS的数量相对应（这里-20%）。不难猜测在新数据上会发生什么

[mytarmailS]

马克西姆-德米特里耶夫斯基。

基本上就是这样做的，但你可以改变 "完美公平 "的程度，因为越是完美，越是过度训练

托盘上的错误：0，AOS上：0.4。

一个 "理想 "的交易，包括OOS（内部），显示亏损的交易只有15%，这与OOS的数量相对应（这里-20%）。不难猜测新数据会发生什么

问题可能出在预测器属性的可修改性上，我没有看到其他变体(

[[删除]]

mytarmailS:

那么问题可能是预测器属性的可变性，我没有看到任何其他选择(

与目标有关的可变性

我想借此表明，训练 "完美 "的输入是一种歪门邪道，而且给所有输出分配相同的概率。

[mytarmailS]

马克西姆-德米特里耶夫斯基。

与目标有关的可变性

我想说明的是，训练 "理想 "的输入是一种歪门邪道，尤其是给所有的输出分配相同的概率。

OOS的开头似乎很好...

你是否尝试过每隔N条就重新训练？

[[删除]]

mytarmailS:

奥斯的开头似乎很好......

没有试图每隔N年就完全重新培训一次

这只是一个例子，有一些方法可以抹平差异，不是很有效，但也有

你在找什么，那里不是开始））我已经保存了截图，从前面和后面看是差不多的。

对我前面描述的研究课题感兴趣。但既然没有人做我自己就会做

[mytarmailS]

马克西姆-德米特里耶夫斯基。

这只是一个例子，有一些方法可以抹平差异，不是很有效，但也有

你在找什么，那里不是开始））已经抛出的截图中，正面和背面大致相同。

我对研究我之前描述的主题很感兴趣，但既然没有人做过，我就自己做吧

对我来说，这和赢/输的概率是一样的，你可能会学到一些东西，但新的数据将接近于随机。

[[删除]]

mytarmailS:

它将与赢/输的概率相同，它可能会学到一些东西，但在新的数据上，它将接近于随机。

让我们来看看，我无法在脑海中想象这个过程

[mytarmailS]

马克西姆-德米特里耶夫斯基。

我们将拭目以待，我无法在心中想象这个过程。

但尝试不断地重新训练，这更有希望，我想。

[[删除]]

mytarmailS:

但尝试不断地重新训练，这是更有希望的，我认为

你以为我没试过吗？ 虚拟优化器早就有了2种变体：完全重新训练和贝叶斯校正。

这都是无稽之谈，除非你尝试，否则你不会理解。只有当主要问题得到解决时，它才能发挥作用

因为我检查了所有的矩阵函数，几乎所有地方的股权都很高。

神经网络x...ti, 早期停止, 晚期停止, 窃听x...i, 组合x..., 交叉验证