交易中的机器学习：理论、模型、实践和算法交易 - 页 1546

[Aleksey Vyazmikin]

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]

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]

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]

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]

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]

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]

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]

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]

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]

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。