交易中的机器学习：理论、模型、实践和算法交易 - 页 1263

[[删除]]

滚动回归，把同样的ARIMA打得落花流水

[Yuriy Asaulenko]

马克西姆-德米特里耶夫斯基。
滚动回归，它击败了同样的ARIMA

你不可能什么都学，所有国防部的方法都是差不多的。你几乎可以在其中任何一个地方找到合适的东西，然后你可以尝试其他的。但是，如果说贝叶斯和NS都没有得到结果，那么，尝试其他的也只是浪费时间而已。如果需要的话，这一切都可以在以后进行。

[[删除]]

尤里-阿索连科。

你不可能什么都学，所有国防部的方法都是差不多的。你几乎可以在其中任何一个地方找到合适的东西，然后你可以尝试其他的。但是，如果说贝叶斯和NS都没有得到结果，那么，尝试其他的也只是浪费时间而已。所有这些都可以在以后进行。

嗯，他们一起工作非常好，只是一个实现的问题。）通过MCMC采样的例子，在NS中教学是最好的方法。

挑选一个或一组资产，那么通过MCMC回归可能是有用的。

[[删除]]

尤里-阿索连科。

那里有趣的是变异问题和Theano。

我一直想用变异方法来调整系统，但还没有找到方法。

寻找同样的人 :)

[Yuriy Asaulenko]

马克西姆-德米特里耶夫斯基。

好吧，他们一起做，这只是一个实施的问题 ) 通过MCMC的Nasample例子。 在这个NS上授课--一般来说，我没有想到一个更好的方法

嗯，它不是国防部，所以也不在一起)。对于卡拉和解放军是不需要的）。

[[删除]]

尤里-阿索连科。

所以它不是国防部，因此它不在一起）。不需要Carla和lib)。

好吧，我还在浮想联翩，不知道如何把这一切放在一起。对变体的普通搜索产生了结果，为什么它们在这种或那种情况下是好的或不那么好，这很难理解。

我得用类似的lib来设想一下--看看。

[Yuriy Asaulenko]

马克西姆-德米特里耶夫斯基。

我还在为如何把这一切放在一起而游刃有余。这些结果是通过琐碎的变体列举得到的，但很难理解为什么它们在这种或那种情况下是好的或不那么好。

嗯，我们都会游泳。只是我很少改变选项，更多的是在沙发上，或躺着看书（平板电脑是个好东西），或思考--做什么））。在做之前，如果能事先在我的脑子里把它全部记住就好了，然后如何...

[Aleksei Kuznetsov]

马克西姆-德米特里耶夫斯基。

比较表明，没有太大的区别......森林是一个经典。在alglib中，它完全可以在mt5中原生存在。我希望能更新到一个较新的版本，但我有麻烦。

当然，你可以连接一个DLL，但那样的话，你如何让人们高兴呢？

如果我没有弄错的话--唯一的区别是学习速度。否则，它应该以同样的方式重新训练。至少描述没有改变，对深度、错误等的限制也没有增加。
而森林是最快的学习方法之一，特别是与NS相比。

[Yuriy Asaulenko]

elibrarius。

是的，而且森林是最快的学习方法之一，特别是与NS相比。

是的，但森林分类也是非常奇特的。NS或贝叶斯更接近于模糊逻辑，是的，数据概括。

[[删除]]

elibrarius。

如果我没有弄错的话--唯一的区别是学习速度。否则，它仍然应该以同样的方式重新训练。至少描述没有改变，也没有增加深度限制、错误等。
而森林是最快的学习方法之一，特别是与NS相比。

学习速度很好，使用时的反应时间和结构的下载时间很差，因为森林文件很大。我曾有过高达300MB的数据。

序列化有问题。森林的训练和保存速度比从文件加载回来的速度快。

如果它说森林现在生成的文件小了几个数量级，那就是一个非常大的加速。

相反，NS需要更长的时间来学习，但反应是即时的。分类的质量没有差别。你可以使用任何东西，但木材的工作是开箱即用，NS需要调整。