交易中的机器学习：理论、模型、实践和算法交易 - 页 1255

新评论
 
马克西姆-德米特里耶夫斯基。

如果市场或多或少是稳定的，是一种趋势或什么的，那么这次就会成功，至少对我来说......模式是一样的，为什么不？

我已经把学习曲线简化为按下一个按钮，我不需要任何预测器））这台机器看起来很有趣，我可能会把它作为人类疯狂的展览品出售。

好吧，我一开始并没有理会那些预测者。不过，我甚至没有尝试用一个按钮。有了一个按钮，我除了同样的优化外，什么都没有，只是在配置文件中。你如何用一个按钮来规避它是一个谜）。

 
尤里-阿索连科。

好吧，我一开始并没有理会那些预测者。但我甚至还没有尝试过用一个按钮。我不能用一个按钮做任何事情，除了同样的优化，只有在配置文件中。你如何用一个按钮绕过它是一个谜）。

我只是在寻找测试样本中的最佳误差，仅此而已。

优化器 优化器 aha
 
马克西姆-德米特里耶夫斯基。

蒙特卡洛和寻找测试样本中的最佳误差，就是这样。

我不能没有蒙特卡洛）。但最好的错误并不那么简单。最优化是一个有很多因素的东西，而且是模糊的，什么是最优化也远非明显。

 
尤里-阿索连科。

你不能没有蒙特卡洛）。而最好的错误也不是那么简单。最优化是一个多因素的、模糊的东西，什么是最优化也远非明显。

我明白了。我采取任何周期性方程，其中最优化是显而易见的，系统将在它上面至少永远赚钱)。

市场上没有最优，只有本地的。

 
 

在树上读理论。
我正在考虑剪枝（修剪）。

可以使用以下简单的规则：建立一棵树，切断或用子树替换那些不会导致误差增加的分支。

也许在不修剪叶子的情况下建立一棵树会更容易和更快，除非你找到一个至少能减少某个值的误差的划分，例如0.1-0.5%？
结果应该是一样的，但速度更快。

还是有可能在几个模型改进0.0001%的分支之后，找到一个能一下子改进1-5%的分支？

 
Maxim Dmitrievsky:

快多少？ 已经非常快了。

而你要建立自己的助推器，不是吗？

贝叶斯方法很慢，而且不适合大样本，但它们的工作方式不同，而且不会被开箱重训。每个模型都有自己的具体情况。我从贝叶斯中得到了启发，在不重新培训的情况下，优化TC的力量很大。

良好的视角--他们可以升级而不是重新培训

如果你有一百万个字符串，有200-1000个预测器，那可能是一个很长的时间...
修剪需要把树造到最后，然后再进行修剪。
而随着停止分支的最小错误的改进，我想在类似的结果下会有很大的节省。在xgboost 中，参数被称为gamma，但似乎没有修剪。显然，开发商也决定这些东西是可以互换的。
 
elibrarius。
好吧，如果一百万分钟的线，有200-1000个预测者，那可能是一个很长的时间...
而对于修剪--你必须把树造到最后，然后再修剪。
而随着按最小误差停止分支的改进，我认为在类似的结果下会有很大的节省。在xgboost中，参数被称为gamma，但我认为没有修剪。显然，开发商也决定这些东西是可以互换的。

好吧，他们知道如何做，有一些专家团队正在进行升压、测试。

催化器似乎工作得很好，它的速度很快，树木一开始就很浅。

数以百万计的外汇数据...我怀疑这是否有必要

 
顺便说一下，我想出了一种情况，即第一次除法几乎没有改善误差，而第二次除法则改善了100%。

4个部门，每个部门10分。沿着X轴或Y轴进行1次划分。几乎不会改善误差，它将保持在50%左右。例如，首先在中间垂直分割。在水平方向的中间进行第二次分割，会使误差有非常大的改善（从50%到0）。
但这是人为创造的情况，在生活中不会发生。
 
样本量从来都很大。如果N太小，无法得到足够精确的估计，你需要获得更多的数据（或做出更多的假设）。但是，一旦N "足够大"，你就可以开始细分数据以了解更多（例如，在民意调查中，一旦你对整个国家有一个很好的估计，你就可以在男人和女人、北方人和南方人、不同年龄组中进行估计，等等）。N永远是不够的，因为如果它是 "足够的"，你就已经进入了下一个问题，你需要更多的数据。
1...124812491250125112521253125412551256125712581259126012611262...3399
新评论