Привет дата-ниндзя👋! Первый вопрос, который ты задашь — зачем вообще это нужно ❗️❓ Предположим, ты исследуешь причинно-следственную связь между двумя величинами (Y зависит от X). И тогда, изменяя X, мы можем быть уверены что изменяем Y, причем уверены мы не только в самом факте изменения, но и в его направлении и величине (magnitude). Конечно...
我记得，但这是一个拟合误差，我的意思是，跟踪采样......
这是接下来 300 个柱状图的误差。在每个柱状图上生成预测因子，然后过滤，训练模型，预测下一个柱状图。
这有一定道理，因为模型的寿命往往不长。但我希望能找到不需要不断重新训练的方案，至少间隔一年以上，而且模型退化缓慢，易于跟踪 。
我不同意这种说法。
市场是变化的，而变化的时间间隔是不同的，相互独立。
我以前可以编写 3 到 6 个月的 EA。我在周末对它们进行优化。然后它们就死了，而且死的时间很短，足以耗尽存款。但没有足够的时间进行优化。最后，情况变得更糟：一段时间后，发现有一个边界，离开这个边界就无法选择参数。
市场变化的时间更长：5-7 年。但结果与月度周期相同。机器人将永远死亡。我将在私信中发送一个特定的市场机器人--在这里你不能发送。
因此，"样本外 "的整个概念都是垃圾。机器人仍然有生命周期，但我们不知道有多长：3个月还是7年。当机器人死亡时，我们会将其与另一个提款机混淆，从而损失我们的存款。
理想情况下，应该在下一根蜡烛上重新训练机器人。如果我们在 ticks 上工作，那么就在下一个 tick 上，在 H1 上，那么就在下一个小时到来时。
我并不反对在每个单杠上进行训练，甚至可以在非固定的蜱上进行训练。我不完全理解培训结构。EA 逻辑是一个单独的训练，还是每个条形图训练的一部分？它就像第一个训练的尾部，有多少个尾部，或者训练的阶段？
在每个条形图上，一切都是新的
还有更多木质的因果推理模型，还没来得及弄明白
从实践中，有很多解释：
- 环境会影响研究对象（当实验室条件下一切都相关时，在自然条件下就会出现其他无法计算的依赖关系--最微不足道的就是人为因素或拥挤效应）--RL 比 ML 更好，但也需要建模，而且并非一切都能考虑在内....。
- 当涉及 2 个相关值时，我们只能推断出什么依赖于什么，而不能反过来推断（结果依赖于因 素或因素依赖于结果）
- 中介、调节、相互作用、依赖关系干扰过程（通常甚至无法通过实验进行追踪）
- 一般来说，重要的是要规划实验（能够绘制依赖关系图，确切地说，是逻辑的、理论的依赖关系图是很 有用的），以便规划实验，实验结果可以通过 ML 或更简单的方法进行处理....................................
，即按什么顺序和什么因素来确定，以便得到被调查因素的条件分布，或两个被调查因素的联合影响，将得到的结果与无条件分布进行比较--提出 "更好--不是更好"、"影响--不影响 "的假设，从统计学角度进行确认或反驳，并转入现场条件下的测试....。就能得到新的因果推论）。
在 ML RF 中，我不知道他们是如何处理相关矩阵的（尤其是第 2 点值得商榷）。
许多人正是因为第 2 点而批评概率模型，并开始颂扬因果推断，声称他们已经考虑到了其他因素的影响....。但从算法上讲，虚拟机如何解决这个问题（推理的 另一个同义词）是个未知数（至少对我来说是这样）--我想说的是 "什么都没有"。
对我来说，因果推理 本质上就是推理，而对中介、调节、相互作用的研究是另一个大课题，也是一个品味问题（即勾勒出这样或那样的逻辑图）--也是一种设计（实验）。
仅仅在市场上有一个 BP - 您无法测试关于依赖关系的假设......而在合理的实验设置下，一个 OLS 或 ANOVA 就足够了（但您不必肯定地把筹码单列出来）。
?? ...因此，除了逻辑和理论知识之外，我不知道将某一特征归因于某一因素或某一结果（通过木质模型或其他方法）的算法 ....但如今，我们有各种各样的东西在其他词语下做广告--我不知道你是在什么情况下遇到因果推理 的
从实践中可以得出许多解释：
- 环境影响测试者（当实验室条件下一切都相关时，在自然条件下就会出现其他无法估量的依存关系--最普通的依存关系--人为因素或拥挤效应） - RL 比 ML 更好，但也有必要建立模型，而且并非一切都能考虑在内....。
- 当涉及到 2 个相关值时，只能推断出什么依赖于什么，而不能反过来推断（结果依赖于因 素或因素依赖于结果）
- 中介、调节、相互作用、依赖关系干扰过程（通常甚至无法通过实验进行追踪）
- 一般来说，重要的是要规划实验（能够绘制依赖关系图是非常有用的，完全符合逻辑的、 理论上的依赖关系图），以便规划实验，实验结果可由 ML 处理。...
，即按什么顺序和什么因素进行固定，以获得被调查因素的条件分布，或两个被调查因素的共同影响，将获得的结果与无条件分布进行比较--提出 "更好--不好 "的假设，从统计学角度证实或反驳，转入实地条件下的测试......并进行新的因果推论）。
在 ML RF 中，我不知道他们是如何处理相关矩阵的（尤其是第 2 点值得商榷）。
许多人正是因为第 2 点而批评概率模型，并开始颂扬因果推理，声称他们已经考虑到了其他因素的影响....。但从算法上讲，虚拟机是如何解决这个问题的（这是推理的另一个同义词），我们不得而知（至少对我来说是这样）--我只能说 "一无所获"。
对我来说，因果推理 本质上就是推理，而对中介、调节、相互作用的研究则是另一个大课题，也是一个品味问题（即勾勒出一个符合逻辑的图形）--也是一种设计（实验）。
仅仅在市场上拥有 1 个 BP - 您无法真正测试关于依赖关系的假设......而通过合理的实验，一个 OLS 或 LDA 就足够了（但您不必肯定地分配功能）。
?? ...因此，除了逻辑和理论知识之外，我不知道将特征归因于因素或结果（通过木质模型或其他方法）的算法.....但如今，我们有各种各样的东西在其他词语下做广告--我不知道你在什么情况下遇到了因果推理
我看到一些Uber lib 说他们改进了流程。
以及相关性！=因果关系的一般解释，并试图用不同的方法来解决这个问题，从 A/B 开始，但我对此并不了解。
他们有一些奇怪的定义，你没有瓶子是无法理解的，你必须用不必要的词来填充你的脑袋。
顺便提一下，我想知道其他模型将如何工作，它们是否能够在 不出错 的情况下创建mach() 函数
在没有任何 GP 调整的情况下对不同模型进行了简单训练
结论：模型无法创建函数，只能以一定的精度近似函数，因此创建特征和选择特征仍然很重要。
这是接下来 300 个条形图的误差。在每个条形图中，先形成预测因子，然后进行过滤，训练模型并预测下一个条形图。
我晚上会尝试做一些类似的事情，但我做过很多这样的再训练机器人，它们能给出这样的分数，我简直不敢相信....。
我们对什么是测试样本的概念/理解存在混淆，正因为如此，我们在谈论不同的事情时，把它称作同一件事。
任务队列已经卸载了一些 - 可以运行脚本了。我运行它时出现了错误。
我的理解是否正确，即程序需要旧版本的 R 4.0？
我搜索了旧版本，但没有找到。可怕的不兼容性当然令人厌恶。
这是错的。如果软件包是为不同版本构建的，就会有警告。我们在说什么不兼容？
randomForest v.4.7-1.1 并没有在任何地方和起重机中出现。R 4.1.3
请注意，从第 3440 版开始，我们将发布 AVX 版本的软件：https://www.mql5.com/ru/forum/432624/page5#comment_42117241。
下一步是将数学装置重写为矢量和 OpenCL 函数，这样无需安装 CUDA 等额外库即可实现十倍加速。
这真是向前迈进了一大步。需要重写指标和专家？
我不同意这种说法。
市场在变化，而变化的时间间隔是不同的，相互独立。
我曾经可以编写 3 至 6 个月的智能交易系统。我在周末对它们进行优化。然后它们就死了，而且死的时间很短，足以耗尽存款。但没有足够的时间进行优化。最后，情况变得更糟：一段时间后，我发现存在一个边界，离开这个边界就无法选择参数。
市场变化的时间更长：5-7 年。但结果与月度周期相同。机器人将永远死亡。我将在私信中发送市场上的具体机器人 - 您不能在这里发送。
因此，"样本过期 "的整个概念都是垃圾。机器人仍有生命周期，但我们不知道有多长：3个月还是7年。当机器人死亡时，我们会将其与另一次缩水相混淆，从而耗尽我们的资金。
理想情况下，应该在下一根蜡烛上重新训练机器人。如果我们在 ticks 上工作，那么就在下一个 tick 上，在 H1 上，那么就在下一个小时到来时。
您是否将您的算法与 KNN（或对其进行的某些修改）进行过比较？如果有的话，我们会很感兴趣。