交易中的机器学习:理论、模型、实践和算法交易 - 页 1546 1...153915401541154215431544154515461547154815491550155115521553...3399 新评论 Aleksey Vyazmikin 2019.09.28 21:34 #15451 马克西姆-德米特里耶夫斯基。 在弱泛化的意义上,过度学习。我已经在上面写了如何绕过这个问题,但我相信还有更优雅的方法。 火车上的培训质量完全没有问题,+valide。 也许这与数据有关,这不是我第一次从不同的培训师那里听说,同质化的数据,如增量,交给NS更好,而不同类型的树在非同质化的数据--模式、新闻、风险因素、时间、事件、股票密度、持仓量、成交量--上效果更好。 如果你不知道如何做到这一点,你可能会惊讶于以点代面,或以收盘价的百分点为单位的差异。 Aleksey Vyazmikin 2019.09.28 21:34 #15452 谢尔盖-查尔舍夫。 我看到每个人都在试图在老师的帮助下培训一个网络。 有没有人试着用目标函数来训练网络,比如说恢复因子? 我选择叶子并根据我的参数从它们中建立一个模型。 Aleksey Vyazmikin 2019.09.28 21:39 #15453 elibrarius。 并不表明如此。 在XGBoost中,第一棵树是粗略的模型。其他的修正了第一个,而且是以一个微观的因素。你不可能在那里单独得到任何工作,他们只在整个人群中给出一个好的结果。 在catbust显然是相同的基本原则,有其自身的特殊性。 事实上我也很怀疑,除了让树更真实之外--我现在正在准备6个分叉的数据,我认为这还不够。 然而,加权的本质只是在应计基础上对模型中的所有单子进行评估,不排除其中存在着良好的模式,因为遵守了单子建设的原则,考虑到了贪婪的独立建设,然后检查树的改进和评估。让我们来看看。 Maxim Dmitrievsky 2019.09.28 21:42 #15454 阿列克谢-维亚兹米 金。 因此,也许这一切都与数据有关,这不是我第一次从不同的讲师那里听到,同质数据,如增量,更适合喂养NS,而不同类型的树对异质数据--模式、新闻、风险比率、时间、事件、杯子密度、开盘价、交易量--效果更好。 顺便说一下,关于增量,你是否尝试过用ATR或收盘价的百分比来衡量,而不是用点数? 我不知道该怎么衡量,我也不关心。 Aleksey Vyazmikin 2019.09.28 21:46 #15455 马克西姆-德米特里耶夫斯基。 你在错误的事情上挣扎......我才不管你用什么来衡量。 正好相反,我以为转换为自然数值会有影响,因为我把所有的数值都规范化和量化了(分解为范围),结果发现,当我离开纯数字时,学习效果明显恶化。对我来说,现在很明显,数据的预处理是有区别的。 Maxim Dmitrievsky 2019.09.28 21:48 #15456 阿列克谢-维亚兹米 金。 正好相反,我以为转换为自然值会有影响,因为我把所有的数值都规范化和量化了(分解为范围),结果发现,当我离开纯数字时,学习效果明显受损。对我来说,现在很明显,对数据进行预处理会产生不同的效果。 好吧,你在外面有你自己的奇异世界,有自己的野兽))。我只使用增量和它们的对应物,有时只使用价格,正如教父们所命令的那样 Aleksey Vyazmikin 2019.09.28 21:55 #15457 马克西姆-德米特里耶夫斯基。 好吧,你在外面有自己的奇异世界,有自己的野兽))。我只使用增量和它们的对应物,有时只使用价格,正如教父们所命令的那样 也许我将用你的和我的预测因子交叉两个样本,只是为了实验? Maxim Dmitrievsky 2019.09.28 21:57 #15458 阿列克谢-维亚兹米 金。 为了实验,用你和我的预测器交叉两个样本如何? 为什么呢? 任何预测因素都来自于回归者。只要把回报加到你的回报上,并认为它们是交叉的。 Aleksey Vyazmikin 2019.09.28 22:04 #15459 马克西姆-德米特里耶夫斯基。 任何裁决者都是来自于回报。只要把回报加到你的身上,就可以认为它已经越过了。 我不知道要增加什么回报,在什么间距,有多少。 Maxim Dmitrievsky 2019.09.28 22:10 #15460 阿列克谢-维亚兹米 金。 我不知道要增加什么回报,在什么间距,有多少件。 我也不知道,它总是不同的。 1...153915401541154215431544154515461547154815491550155115521553...3399 新评论 原因: 取消 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
在弱泛化的意义上,过度学习。我已经在上面写了如何绕过这个问题,但我相信还有更优雅的方法。
火车上的培训质量完全没有问题,+valide。
也许这与数据有关,这不是我第一次从不同的培训师那里听说,同质化的数据,如增量,交给NS更好,而不同类型的树在非同质化的数据--模式、新闻、风险因素、时间、事件、股票密度、持仓量、成交量--上效果更好。
如果你不知道如何做到这一点,你可能会惊讶于以点代面,或以收盘价的百分点为单位的差异。
我看到每个人都在试图在老师的帮助下培训一个网络。
有没有人试着用目标函数来训练网络,比如说恢复因子?
我选择叶子并根据我的参数从它们中建立一个模型。
并不表明如此。
在XGBoost中,第一棵树是粗略的模型。其他的修正了第一个,而且是以一个微观的因素。你不可能在那里单独得到任何工作,他们只在整个人群中给出一个好的结果。在catbust显然是相同的基本原则,有其自身的特殊性。
事实上我也很怀疑,除了让树更真实之外--我现在正在准备6个分叉的数据,我认为这还不够。
然而,加权的本质只是在应计基础上对模型中的所有单子进行评估,不排除其中存在着良好的模式,因为遵守了单子建设的原则,考虑到了贪婪的独立建设,然后检查树的改进和评估。让我们来看看。
因此,也许这一切都与数据有关,这不是我第一次从不同的讲师那里听到,同质数据,如增量,更适合喂养NS,而不同类型的树对异质数据--模式、新闻、风险比率、时间、事件、杯子密度、开盘价、交易量--效果更好。
顺便说一下,关于增量,你是否尝试过用ATR或收盘价的百分比来衡量,而不是用点数?
我不知道该怎么衡量,我也不关心。
你在错误的事情上挣扎......我才不管你用什么来衡量。
正好相反,我以为转换为自然数值会有影响,因为我把所有的数值都规范化和量化了(分解为范围),结果发现,当我离开纯数字时,学习效果明显恶化。对我来说,现在很明显,数据的预处理是有区别的。
正好相反,我以为转换为自然值会有影响,因为我把所有的数值都规范化和量化了(分解为范围),结果发现,当我离开纯数字时,学习效果明显受损。对我来说,现在很明显,对数据进行预处理会产生不同的效果。
好吧,你在外面有你自己的奇异世界,有自己的野兽))。我只使用增量和它们的对应物,有时只使用价格,正如教父们所命令的那样
好吧,你在外面有自己的奇异世界,有自己的野兽))。我只使用增量和它们的对应物,有时只使用价格,正如教父们所命令的那样
也许我将用你的和我的预测因子交叉两个样本,只是为了实验?
为了实验,用你和我的预测器交叉两个样本如何?
为什么呢? 任何预测因素都来自于回归者。只要把回报加到你的回报上,并认为它们是交叉的。
任何裁决者都是来自于回报。只要把回报加到你的身上,就可以认为它已经越过了。
我不知道要增加什么回报,在什么间距,有多少。
我不知道要增加什么回报,在什么间距,有多少件。
我也不知道,它总是不同的。