交易中的机器学习：理论、模型、实践和算法交易 - 页 2834

[Aleksey Nikolayev]

mytarmailS #:
我用 xgboost 没有成功...

或者说，我成功了，但训练并不成功，你需要和梯度交朋友，你需要让拟合函数梯度化，而遗传学要容易得多

是的，这就是棘手的地方。你必须计算梯度和二阶导数矩阵，也就是黑森（Hessian）。Hessian必须是正定的。

以利润为例，Hessian 是退化的（等于零）。因此，有必要以某种方式对损失函数进行微调，使其在必要性和需要性之间达成合理的折衷。

[СанСаныч Фоменко]

Andrey Dik #:

1. 我的姓氏没有被废除

问题不在于全局是否会改变（它一定会改变），而在于它是否能找到全局极值。如果你不在乎，你可以用随机数初始化网络权重，这样就可以了，因为全局与否又有什么区别呢？因为全局与否又有什么区别呢？）

1.关于姓氏，我会考虑的。你是我所知道的唯一一个有这样姓氏的人。

2. 我想反对的是，我们不应该把这个想法带入荒谬的境地，但实际上情况是一样的：我们不需要任何最佳状态--我们需要高原，范围越广越好，利润越高越好。极值总是一种不稳定的状态，但我们需要一种稳定的状态，而且是在未来。因此，事实证明，寻找最佳状态是一种有害的活动。

在这里，我想说的是，未来利润的稳定性取决于预测因子的特性，而与模型关系不大，与优化算法关系更小。也就是说，这是一种完全不同的方法。

[Aleksey Vyazmikin]

СанСаныч Фоменко #:

我在这里推崇的理念是，未来利润的可持续性取决于预测因素的属性，而很少取决于模型，更不用说优化算法了。这是一种完全不同的方法。

能把您的样本发给我吗？我们对模型学习能力差的问题有着相同的看法，我想比较一下你的选择方法比我的好多少，以及它是否完全适合你的样本。

[Maxim Dmitrievsky]

建议用什么来代替 logloss？

[mytarmailS]

Aleksey Nikolayev #:

是的，这就是棘手的部分。你需要计算梯度和二次导数矩阵--赫斯。Hessian 也必须是正定的。

例如，对于利润来说，Hessian 是退化的（等于零）。因此，有必要以某种方式对损失函数进行微调，在必要性和需要性之间达成合理的折中。

据我所知，这里 完全没有考虑 Hessian。

#  Custom objective function (squared error)
myobjective <- function(preds, dtrain) {
  labels <- getinfo(dtrain, "label")
  grad <- (preds-labels)    
  hess <- rep(1, length(labels))                
  return(list(grad = grad, hess = hess))
}

#  Custom Metric
evalerror <- function(preds, dtrain) {
  labels <- getinfo(dtrain, "label")
  err <- (preds-labels)^2        
  return(list(metric = "MyError", value = mean(err)))   
}

只是为了减小梯度。

grad <- (preds-labels)   

这是 不同的。

logregobj <- function(preds, dtrain) {
  labels <- getinfo(dtrain, "label")
  preds <- 1 / (1 + exp(-preds))
  grad <- preds - labels
  hess <- preds * (1 - preds)
  return(list(grad = grad, hess = hess))
}

我记得我在这方面遇到了很多麻烦，所以就放弃了。

不过，如果能锻炼我的体质，那一定很酷）。

[mytarmailS]

СанСаныч Фоменко #:

但在现实中，情况就是这样：我们不 需要什么最佳状态，我们需要的是高原 状态，范围越广越好，利润 越高越好。而极值总是一种不稳定的状态。

评估 "有多少高原/没有高原 "的函数 不是寻找最大值吗？

评估 "利润越高越好 "的 函数不是最大值搜索？

评估 " 范围越广越 好 " 的 函数 不是 最大搜索？

评估 "稳定/不稳定状态 "的函数不是 最大搜索？

还是你也需要一个高原？)))) 那么请看第一点 ))))

哦，这些亵渎神明的人......

SanSanych Fomenko#：

我想说的 是，未来利润的可持续性取决于预测因素的属性，而与模型关系不大，更与优化算法无关。也就是说，这是一种完全不同的方法。

你不应该推崇 这个观点，而应该证明它或至少证明它的合理性....。

这里就有一个人在推崇Mashka是最好的东西，这样推崇有什么用??????

[Maxim Dmitrievsky]

更酷的是，把缺失的正文也包括进来，想想什么样的关系可以描述芯片和标签之间的利润因素。大致没有 🤤

[Andrey Dik]

СанСаныч Фоменко #:

1.我会记住这个姓的。你是我认识的唯一一个姓这个姓的人。

2. 我想反对的是，我们不应该把这个想法带入荒谬的境地，但实际上情况是一样的：我们不需要任何最佳状态--我们需要高原，越广泛越好，越有利可图越好。极值总是一种不稳定的状态，但我们需要一种稳定的状态，而且是在未来。因此，事实证明，寻找最佳状态是一种有害的职业。

在这里，我想说的是，未来利润的稳定性取决于预测因子的特性，而与模型关系不大，与优化算法关系更小。这是一种完全不同的方法。

1. v

这里有一个数字，就像某个假设学习函数的曲线。

你认为网格会在局部极值 1 处停止吗？ 或者是 2 处？ 或者是 3 处，比如中间？ 因此，事先并不知道有多少个局部极值，可能有 100500 个，甚至更多。这就是为什么要设法找到算法所能达到的所有局部极值中的最高值。

[Aleksey Nikolayev]

Maxim Dmitrievsky #:
建议用什么来替代 logloss？

如果这是我的问题，那就是利润或它的某个合理的类比值。利润 - 现在让它成为所有 (close[i] - open[i])*prognos[i]的总和，其中prognos[i] 是对蜡烛颜色的预测，为 1 或-1。为了获得良好的梯度和海斯行为，可能需要对其进行一定的修改。

[Maxim Dmitrievsky]

Aleksey Nikolayev #:

如果对我来说是个问题，那么利润或它的某个合理类比值。利润 - 现在就让它成为所有（close[i] - open[i]）*prognos[i]的总和，其中prognos[i] 是对蜡烛颜色的预测，为 1 或-1。为了获得良好的梯度和 Hessian 行为，可能需要对其进行一定的修改。

在遗传学中，我们利用变量并通过一个标准将其最大化。在这里你不能这么做，因为分类。利润和类别标签之间没有关系。充其量，你什么也得不到。这就是为什么将此类标准放在 eval_metrics 中的原因