交易中的机器学习：理论、模型、实践和算法交易 - 页 2581

[mytarmailS]

Maxim Dmitrievsky#:
用python现在很方便。我已经写了我的测试器，但有可能移植模型或通过api进行交易。如果加入ONNX，它将是一门真正的大炮。

我和M1 mac取得了联系，现在我已经等了半年的catbusta，他们承诺2周后发布。到目前为止，通过vin上的虚拟机。

有一个用于回测的python软件包，你为什么不使用它呢？

还是你写了一个带优化的测试器？

[[删除]]

mytarmailS#:
有一个python的回测包，你为什么不使用它呢？

还是你写了一个带优化的测试器？

我不喜欢现成的，它们不够灵活。我专门为我的任务编写了它，有我自己的衡量标准。大致上，对于输入报价和模型结果。另外，我现在有2个 "对抗性 "模型，它们被重新训练了几次，迭代改进。改进的结果也取自我的测试器。

[mytarmailS]

Maxim Dmitrievsky#:

一个模型学习交易，另一个模型过滤信号。

我明白现在流行创造生成性算法，但两个有条件的简单算法与一个复杂的算法相互收敛、相互改进的实际优势是什么，它本身就是这样做的，只是粗略地说它本身建立了比你的两个更复杂的决策规则。

老实说，我不明白其中的好处，这只是一种时尚。

[[删除]]

mytarmailS#:
好吧，我明白现在流行生成性抚慰算法，但两个有条件的简单算法相互抚慰和改进，与一个本身就能做到的复杂算法相比，有什么实际优势呢？只是粗略地说它本身建立的决策规则比你的两个更复杂。

老实说，我不明白其中的好处，这只是一种时尚。

所以我创建了这样的东西，看到它很好 )问题是模型错误和找到真正稳定的模式，在自动机上。这是从一开始就有的基本想法。这就是方法已经可能不同的地方。一个模型不能自我纠正，两个模型可以。

比方说，你训练一个模特，她很坏。该怎么做？自己经历了什么？不可能，人不是为辛苦工作而生的，你用第二种模式代替人。

[mytarmailS]

Maxim Dmitrievsky#:

比方说，你训练一个模型，它是坏的。你是做什么的？你必须自己去做一些工作吗？不，一个人不是为高强度的工作而生的，你用第二个模型代替这个人。

听着，最后熟悉一下优化算法和健身函数，不要再重新发明方轮的自行车了。

[[删除]]

mytarmailS#:
看，了解一下优化算法、健身函数，不要再用方形轮子重新发明自行车了。

这是不一样的。通过优化，会有一个契机。通过对模型的分析和纠错也是一种配合，但你通过扔掉不必要的东西找到稳定的模式。至少你能找到一些有稳定的高原。通过简单的基因枚举，它更难，更多的是打下手。

[mytarmailS]

Maxim Dmitrievsky#:
这是不一样的。通过优化，将有一个契机。通过分析和纠正模型错误，它也是一种拟合，但你通过抛弃不必要的东西找到稳定的模式。至少你能找到一些有稳定的高原。通过简单的基因枚举，它更难，更多的是打下手。

初级的例子。

你需要培训AMO以获得最大利润，你会怎么做？

1）你做一个目标

2）你用标准的指标如RMSE 来匹配模型（这一点是完全不相关的）。

3）创建 一个 最佳模型 组

4) 从具有最高利润的一组中选择最佳模型

现在有一个问题：为什么你认为你的 小组 是全球意义 上的最佳模型的绝对顶端？ 你已经通过两个 主观的过滤器来运行这些模型

(1）你的目标和（2）RMSE 误差测量。

改变权重（如果它是一个神经元）和创建规则（如果它是一棵树）的目的是为了获得最大的利润，这个问题是反问句......当然，它更好更快，这不是更好吗？

关键是你错过了其他 群体 的模特的收入，而这些群体的收入是数以百万计的。

[[删除]]

mytarmailS#:

一个基本的例子。

你需要培训AMO以实现利润最大化，你会怎么做？

1）你做一个目标

2）你用标准的指标如RMSE 来拟合模型（这一点是完全不相关的）。

3）创建 一个 最佳模型 组

4) 从具有最高利润的一组中选择最佳模型

现在有一个问题：为什么你认为你的 小组 是全球意义 上的最佳模型的绝对顶端？ 你已经通过两个 主观的过滤器来运行这些模型

(1）你的目标和（2）RMSE 误差测量。

改变权重（如果它是一个神经元）和创建规则（如果它是一棵树）的目的是为了获得最大的利润，这个问题是反问句......当然，它更好更快，这不是更好吗？

关键是你错过了其他赚取收入的模特 群体，这些群体有数百万的收入。

我通过平衡来选择R2，加上最少的亏损交易，但要有最低的熵（logloss）和最大的准确度。因此，这些模型在默认情况下是最有利可图的。这是一个综合标准。另外，如果能把交叉验证的结果加入到估计中，那就更好了。还没来得及做。

[mytarmailS]

Maxim Dmitrievsky#:
我通过平衡选择R2，加上最少的亏损交易，但熵（logloss）最低，准确率最高。这就是为什么模型在默认情况下是最有利可图的。

你可以从现成的模型中选择，或创建一个模型。这就是区别

[[删除]]

mytarmailS#:

你从预制的模型中选择，或者你可以创建一个模型。这就是区别。

就是当你知道要创造什么和为什么要创造。它们不是现成的，交易是像文章中那样随机抽样的。在数据准备的任何阶段都没有先验的假设或启发式方法，有一些数值范围，如最大和最小交易保持时间。

基本上，整个机制的工作是为了寻找未知的东西，但据说它就在那里，但我们不知道是什么。