交易中的机器学习：理论、模型、实践和算法交易 - 页 2388

[Maxim Dmitrievsky]

通过多次重新训练同一模型，可以获得1-2%的改进 )

但不是512次 ))

[Forester]

Maxim Dmitrievsky:

它不是这样工作的

从模型中删除低重要性 的特征并打破它，然后将你的屁股与你的手指（其他特征）进行比较，以此类推

也试过按1删除。移除。当有大量的垃圾模型时，几乎没有注意到战斗机的损失)

[Forester]

然而，在过去，我只与酒吧合作。自然，邻居们都在替换掉那个退学的人。
现在我不得不处理与MA 等的很多功能。

[Maxim Dmitrievsky]

elibrarius:
也试过用1来删除。它确实如此。当有大量的碎片时，模型几乎没有注意到失去了一架战斗机)

这都是调整，而不是寻找某种模式的方法，因此，尾巴不应该摇晃。

[Aleksey Vyazmikin]

elibrarius:
在选择了第一个最佳特征后，第二个特征将是与第一个特征有最佳互动的特征，以此类推。一旦你达到10个，下一个特征将是与之前选择的10个中的任何一个有最佳互动的特征，但很可能是与所有的特征。

我不喜欢一下子否定所有的可能性，也许这种方法也可能产生一个有趣的变体。

问题是，我就是不能自动进行多次停止/启动循环，考虑到在每次迭代中筛选出一些特征。

我可以为一次迭代准备数据，然后我需要再次准备它--这就是我需要Python的原因。

顺便说一句，如果有现成的自动机，我也不介意用你的方法试试我的预测器。

[Forester]

Aleksey Vyazmikin:

我不喜欢立即抛弃所有可能的选择，也许这种方法可以提供一个有趣的选择。

问题是，我不能自动做大量的停止/启动循环，考虑到每次迭代时对任何功能的消除。

我可以为一次迭代准备数据，然后我需要再次准备它--这就是我需要Python的原因。

顺便说一句，如果有现成的自动机，我也不介意用你的方法试试我的预测器。

如果你一路走来，将有近1000000个模型为1000个特征进行训练。
该自动机很简单--2个嵌套循环。你有一个关于自动开始训练的问题。解决了这个问题，其他一切都将是小事一桩。

[Aleksey Vyazmikin]

elibrarius:

如果你一直走到最后，将有近1000000个模型为1000个特征训练。

这是一个很大的数字--现在，1000个模型需要大约一天的时间来训练。

如果你把它并行化，在随机森林 上可能会更快。

elibrarius:

该自动机很简单--2个嵌套循环。你有一个自动学习的问题。解决了这个问题，其他一切都将变得微不足道。

这就是问题所在，我无法将这个过程自动化。

[Aleksey Vyazmikin]

Maxim Dmitrievsky:

这都是调音，不是寻找模式的方法，所以尾巴不应该摇晃。

你只是没有理解我想表达的意思--就分类统计而言，最好的模式并不意味着在盈利方面是最好的。只有在固定SL和TP的情况下才会这样做。

我正在寻找一种方法来影响收入和支出曲线--绿色和红色曲线。

这就是模型对样本反应的概率分布在训练时的样子。

这就是独立样本被喂养时的情况。

可以看出，曲线几乎合并了，而图案却没有恶化得那么厉害--水蓝色的曲线是零，磁铁色的曲线是一--它们的间隔相当可以接受，图案也算是全局保留了下来，但这些图案的成本在收入/支出方面没有得到某种程度的权衡。

[Forester]

Aleksey Vyazmikin:

这就是问题所在，我无法将这个过程自动化。

2-3天的Python学习，一些简单的事情，比如启动catbust，就可以完成。更有甚者，马克西姆的文章中也有例子。

[Evgeni Gavrilovi]

Maxim Dmitrievsky

在下一篇文章中，请在Python代码中加入止损和获利。