交易中的机器学习：理论、模型、实践和算法交易 - 页 1605

[secret]

mytarmailS:

你正在做的事情（在 "第三个 "样本上测试）在GMDH 术语中被称为 "预测能力标准"。

我看得出，你是个好专家。你能用几个短语来说明GMDH的本质吗，对非数学家来说？

[Maxim Dmitrievsky]

秘密：

我看得出来，你是个好专家。你能用几个短语来概括MGUA吗，对非数学工作者来说？

回归模型，列举了由不同内核（多项式、样条式等）转换的特征。误差最小的最简单模型是首选。它并不能挽救市场上的过度训练。

大致说来，这是一个粗暴的模型，根据外部标准选择最简单的模型

这就像机器学习的基础知识 )

[Maxim Dmitrievsky]

mytarmailS:

例如，MSUA的回归只是简单地模拟了现代随机森林算法的回归和提升...

提升在任何事情上都是更好的，如果你像为MSUA准备功能，它将会更好。

但如果你不知道该怎么教，你也不会在意的

[mytarmailS]

秘密。

我看得出来，你是个好专家。你能用几个短语来说明MSUA的精髓吗，对于非数学家来说？

我根本不是专家 )) 不幸的是....

如果非常简单、粗略和不精确地说，MGUA的原则就是自组织......

例如，我们有一组属性

x1,x2,x3.....x20...

从这些属性中，我们创建了一个候选模型集

m1,m2,m3.....m10...

从这些模型中选出最佳模型，并从最佳模型中创建新的模型，再次进行选择....。等...以此类推，直到新数据的误差（之前算法不知道）被减少

你看，算法会改变自己，变得更加复杂，并自我组织...有点像遗传算法。

[secret]

马克西姆-德米特里耶夫斯基。

一个回归模型，列举了由不同内核（多项式、样条式等）转化的特征。误差最小的最简单模型是首选。它并不能挽救市场上的过度训练。

粗略地说，这是一种粗暴的模型，根据外部标准，选择最简单的模型

那么我认为这种方法论没有任何新的和原创性。

[secret]

mytarmailS:

从这些模型中选出最佳模型，并利用最佳模型创建新的模型，再次选择....。等...以此类推，直到新数据的误差（之前算法不知道）减少

你看，算法会改变自己，变得更加复杂，并自我组织...这有点像遗传算法。

那么我在这里没有看到数学，更多的是脑力劳动，嗯，还有编码。GA是一件微不足道的事情。

如果里面是一些原始的、从幼儿园开始就能直观理解的东西，那么为什么都拿着这个MGUA到处跑，写论文，以至于无法理解它们呢？

[mytarmailS]

马克西姆-德米特里耶夫斯基。

促进会在任何方面都更好，如果你像为MGUA准备功能，它将会更好。

但如果你不知道要教什么，那也没有关系

我不同意...

让我们做一个快速测试，通过眼睛 )

创建四个变量（常规随机），每个变量有1000个元素

z1 <- rnorm(1000)

z2 <- rnorm(1000)

z3 <- rnorm(1000)

z4 <- rnorm(1000)

创建一个目标变量y，作为所有四个变量的总和。

y <- z1+z2+z3+z4

让我们来训练提升和Mgua，甚至不是为了预测，只是为了强迫解释Y

我把样本分成三块，一块训练两块测试

绿色的 MGUA

红色：广义 提升 回归模型（GBM）。

灰色是原始数据

记住，目标是所有预测因素的基本和

http://prntscr.com/rawx14

正如我们所看到的，这两种算法都很好地应对了任务。

现在让任务变得更复杂一点

为数据添加累积和或趋势

z1 <-cumsum(rnorm(1000))

z2 <-cumsum(rnorm(1000))

z3 <- rnorm(1000)

z4 <- rnorm(1000)

并将目标改为以下形式

y <- z1+z2+z3

所以我们把两个有趋势的预测因子和一个普通的预测因子加起来，Z4变成了一个噪音，因为它没有参与目标Y 的研究。

于是我们得到以下结果

http://prntscr.com/rax81b

我们的提升都是一团糟，而MSUA并不重要。

我只用这个野生目标成功地 "杀死 "了MSUA

y <- ((z1*z2)/3)+((z3*2)/z4)

甚至这还不完全是这样，那么提升的情况呢？)))

http://prntscr.com/raxdnz

游戏的代码

set.seed(123)
z1 <- cumsum(rnorm(1000))
z2 <- cumsum(rnorm(1000))
z3 <- rnorm(1000)
z4 <- rnorm(1000)

y <- ((z1*z2)/3)+((z3*2)/z4)

x <- cbind.data.frame(z1,z2,z3,z4) ; colnames(x) <- paste0("z",1:ncol(x))

tr <- 1:500
ts <- 501:800
ts2<- 801:1000

library(gbm)
rf <- gbm(y[tr] ~ ., data = x[tr,],
          distribution = "gaussian", n.trees = 1000,
           cv.folds = 5)
best.iter.max <- gbm.perf(rf, method = "cv")
prg <- predict(rf,x[c(tr,ts,ts2),],n.trees = best.iter.max)

library(GMDHreg)
gmd <- gmdh.gia(X = as.matrix(x[tr,]),y = y[tr],prune = 5,
                    criteria = "PRESS")
prh <- predict(gmd,as.matrix(x[c(tr,ts,ts2),]))

par(mfrow=c(1,3))
plot(head(y[tr],30),t="l",col=8,lwd=10,main = "train ")
lines(head(prg[tr],30),col=2,lwd=2)
lines(head(prh[tr],30),col=3,lwd=2)
plot(head(y[ts],30),t="l",col=8,lwd=10,main = "test ")
lines(head(prg[ts],30),col=2,lwd=2)
lines(head(prh[ts],30),col=3,lwd=2)
plot(head(y[ts2],30),t="l",col=8,lwd=10,main = "test2 ")
lines(head(prg[ts2],30),col=2,lwd=2)
lines(head(prh[ts2],30),col=3,lwd=2)

[mytarmailS]

秘密。

那么我不认为这里有数学，它更多的是脑力劳动，嗯，还有编码。GA是一件微不足道的事情。

那为什么每个人都带着这个MSUA跑来跑去，写论文，以至于无法理解他们，如果里面是一些原始的，从幼儿园开始就能直观理解的东西？

我不知道，但它对数据的描述要好得多，帖子写了，代码贴了

[Maxim Dmitrievsky]

mytarmailS:

我不同意...

让我们做一个小测试，快速，通过眼睛 )

我不想乱用R（我用python），也许原因是MSUA创造了fey regressors，因为它适合。如果我们对提升做同样的选择，就不会有任何区别。

这里有一个森林的MSUA枚举表。

https://www.mql5.com/ru/code/22915

[mytarmailS]

马克西姆-德米特里耶夫斯基。

我不想乱用R（我用python），也许原因是MSUA创造了fey regressors，这使它适合。如果你做同样的选择来提升，就不会有任何区别。

这里有一个森林的MSUA枚举表。

https://www.mql5.com/ru/code/22915

首先，还有什么费力的回归者？ 什么乱七八糟的东西，为什么MSUA变硬后也会熄灭？

第二，我在例子中给出的数据对MSUA和升压都是一样的。

第三，你不需要做什么，你不能用python做一个有四个随机值的矩阵，然后把它们累积起来吗？要自己检查升压情况？

2行代码 )))

我自己也很好奇这里面有什么。