交易中的机器学习：理论、模型、实践和算法交易 - 页 1575

[Aleksey Mavrin]

现在，这肯定是胡说八道。在这种交易频率下，不会出现样本充足的情况。

[Boris]

阿列克谢-马夫林。
这肯定是胡说八道。在这种交易频率下，不会有足够的采样。

你有第二个意见吗？

你会觉得难以分享吗？

[Aleksey Vyazmikin]

难道你不认为随机过程是允许不确定性的理论的范畴，并且是该理论的公理之一？在现实中，任何过程总是有解释的，特别是如果它是周期性的。

[Aleksey Mavrin]

鲍里斯。

你有不同的意见吗？

你介意分享一下吗？

我认为，在具有不完全信息和概率结果的游戏中，以及在具有概率策略的游戏中，必须考虑到这种概率性质来决定策略的质量。

换句话说，为了确定玩家在当前样本上的结果与他在无限样本上的结果有多接近，当前样本的大小必须是这样的，即概率为95%的结果的偏差小于10%（无论你设定什么数字）。没有其他方法可以估计。这是用统计方法计算出来的。我曾经计算过，如果我需要寻找它。

我得出的结论是，如果该策略是基于稳定的模式，那么它应该在其他类似性质的市场中发挥作用。 这样一来，我们至少可以增加数倍的前进动力。如果一项长期战略不能在其他市场上发挥作用，那么它就不是一项长期战略，而是对某些东西的一种迎合。另一点是，这种调整可能会在很长一段时间内带来利润，因为运气好。

[Boris]

Aleksey Mavrin:

我认为，在具有不完全信息和概率结果的游戏中，以及在具有概率策略的游戏中，必须考虑到这种概率性质来决定策略的质量。

换句话说，要确定一个球员在当前样本上的结果与他在无限样本上的结果有多接近，当前样本的大小必须是这样的，即概率为95%的结果的偏差小于10%（不管你想设定什么数字）。没有其他方法可以估计。这是用统计方法计算出来的。我曾经计算过，如果我需要寻找它。

我得出的结论是，如果该策略是基于稳定的模式，那么它应该在其他类似性质的市场中发挥作用。这样一来，我们至少可以增加数倍的前进动力。如果一项长期战略不能在其他市场上发挥作用，那么它就不是一项长期战略，而是对某些东西的一种迎合。另一点是，这种配合可以在很长一段时间内产生利润，这是运气使然。

我们有一个13年的样本，从2007年1月1日开始，所有28个货币对的一个TF都是如此。

在这个样本的基础上，根据严格规定的模式，我们制作合成物（这些货币的组合），这些合成物被观察一段时间后，在一段时间后表现出，例如，相当一定的方式。

这个 "一段时间 "原来是相当长的，比如说，长达十个月的时间

在这种情况下，结果是平均每月只有1.5-2个进场点，或者几乎是2倍，如果我们把TF的2倍减少））等。

当然，你可以等待2至10个月的时间来做一个真正的前瞻性测试。

准确地说，是10个，因为在这一消息之前的10个月，由于抽样条件的限制，正好不适合在样本中出现。

那么我们实际上会有两个10个月的时期--第一个是从 "负10个月到现在"，第二个是 "从现在到正10个月"

为什么会有这样的问题？

因为在我看来，即使是这样的前瞻性测试也不能回答关于系统过度训练的问题。

这并不是说我们为样本的 "最后一部分 "调整了结果。

尽管在这样一个10-12个月的时期内，市场很可能按照一些全球趋势行事，而这些趋势很容易改变，甚至在观察期结束后，例如在特朗普当选后（就在11月20日）。

当然，人们可以尝试让同样的随机森林 找到类似的解决方案，但不是说它会找到，因为现在还不清楚 "把什么塞进它"？

[[删除]]

鲍里斯。

我们有一个13年的样本，从2007年1月1日开始，所有28个货币对的一个TF。

在这个样本的基础上，根据一个严格规定的模式，我们制作合成物（这些货币的组合），这些合成物在一段时间内是可以观察到的，在观察期过后的行为，比如说，在一段时间后有相当明确的表现

这个 "一段时间 "被证明是相当长的，比如说--长达十个月

在这种情况下，平均每个月只有1.5-2个进场点，如果你把TF的2倍少了））等几乎2倍。

当然，有可能等待2次，每次10个月，做一个公平的前瞻性测试。

更准确地说，是10个月，因为在这一信息之前的10个月，由于抽样条件的限制，不适合纳入样本。

那么我们实际上会有两个10个月的时期--第一个是从 "负10个月到现在"，第二个是 "从现在到正10个月"

为什么会有这样的问题？

因为在我看来，即使是这样的前瞻性测试也不能回答关于系统过度训练的问题。

这并不是说我们要把结果与样本的 "最后一部分 "相适应。

尽管有可能在10-12个月内，市场可能会按照一些全球趋势行事，这些趋势很容易改变，甚至在观察期结束后，例如，在特朗普选举后（就在20日的11月）。

当然，人们可以尝试强迫同样的随机森林找到类似的解决方案，但不确定它是否会找到，因为还不清楚 "要把什么塞进它"？

这取决于系统有多少个自由参数。例如，如果有2-3个参数，所有的信号都是独立的，那么我们可以不做任何转发，即会有一些统计上的信心。但如果信号非常少，那么根本无法得出结论，那么你可以思考这些信号背后是否有真正的模式，并进行分析。

森林只是一个有大量参数的记忆器--它不会给出任何答案。

[Aleksey Mavrin]

鲍里斯。

我们有一个13年的样本，从2007年1月1日开始，所有28个货币对的一个TF。

在这个样本的基础上，根据一个严格规定的模式，我们制作合成物（这些货币的组合），这些合成物在一段时间内是可以观察到的，在观察期过后的行为，比如说，在一段时间后有相当明确的表现

这个 "一段时间 "被证明是相当长的，比如说--长达十个月

在这种情况下，结果是平均每个月只有1.5-2个进场点，如果你拿一个TF2次，则几乎是2次））等。

当然，有可能等待2次，每次10个月，做一个公平的前瞻性测试。

更准确地说，是10个月，因为在这一信息之前的10个月，由于抽样条件的限制，不适合纳入样本。

那么我们实际上会有两个10个月的时期--第一个是从 "负10个月到现在"，第二个是 "从现在到正10个月"

为什么会有这样的问题？

因为在我看来，即使是这样的前瞻性测试也不能回答关于系统过度训练的问题。

这并不是说我们要把结果与样本的 "最后一部分 "相适应。

尽管在这10-12个月的时间里，市场可能会按照一些全球趋势行事，这些趋势很容易改变，甚至在观察期结束后，例如，在特朗普选举后（就在20日的11月）。

当然，人们可以尝试强迫同样的随机森林找到类似的解决方案，但不确定它是否会找到，因为还不清楚 "要把什么塞进它"？

直觉告诉我，这就是你找到基本趋势的方法。正如你自己得出的结论，是的，它可能在一年或两年内结束，或在明天结束。这一切都像往常一样。如果你的系统给出了这种罕见的输入，那么除了依赖它，没有什么可做的，之前（正如马克西姆已经指出的）分析并确定了这些模式，无论它们是矛盾的还是随机的。

[mytarmailS]

https://www.youtube.com/watch?v=aX887X3lAc0&t=677s

有用的视频和频道本身，也许有人会得到这个消息......

[[删除]]

mytarmailS:

有用的视频和频道本身，也许有人会得到这个消息......

我们为什么要为课程做广告？

[Boris]

马克西姆-德米特里耶夫斯基。

这取决于系统有多少个自由参数。例如，如果有2-3个参数，所有的信号都是独立的，那么你可以不做任何转发，即会有一些统计上的信心。但如果信号非常少，那么根本无法得出结论，那么你可以思考这些信号背后是否有真正的模式，并进行分析。

森林只是一个有大量参数的记忆器，它不会给出任何答案。

好吧，一般来说，我们可以说，是的，只有2-3个参数，其中一个是一些广为人知的数学量））），第二个是离观察终点的距离（交易的长度 - 开放订单），第三个是观察期的值，再加上一个参数，但它是常数，不取决于前三个参数

第二项是恒定的，不取决于第三项，但在不同的时间段可能不同。

第三个是可变长度的（在某个范围内 "从 "和 "到 "不同）。