交易中的机器学习：理论、模型、实践和算法交易 - 页 2836

新评论
 
Maxim Dmitrievsky #:
你们的学习成绩有提高吗？）

很遗憾，没有。

我正在看洛佩兹-德-普拉多的网站。https://quantresearch.org/Patents.htm。

他有一项新专利，于九月份发布（通过蒙特卡洛回溯测试的战术投资算法）。

他提出了很多有价值的观点，例如他强调现在预测（短期预测）。

引述："从统计学角度看，短期预测比长期预测更可靠"。

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025

冠状病毒大流行的主要发现。

我们能从这场危机中吸取什么教训？

1. 多做预测，少做预测

2. 发展理论，而非交易规则

3.避免全局策略

[删除]  
Evgeni Gavrilovi #:

很遗憾，没有。

我正在看 Lopez de Prado 的网站。https://quantresearch.org/Patents.htm。

他有一项新专利，于九月份发布（通过蒙特卡洛回溯测试的战术投资算法）。

他提出了很多有价值的观点，例如他强调现在预测（短期预测）。

引述："从统计学角度看，短期预测比长期预测更可靠"。

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3562025

冠状病毒大流行的主要发现。

我们能从这场危机中学到什么？

1. 多做预测，少做预报

2. 发展理论，而非交易规则

3.避免全局策略

谢谢你提醒我，我有一段时间没看了。
 
Evgeni Gavrilovi #:

很遗憾，没有。

你受过良好的训练还是没有受过任何训练？

 
mytarmailS #:

培训进行得顺利吗？

正常，因为计算是正确的（我在 3 - 4 级时获得了最大夏普），但由于该类没有 njit 装饰器，所以训练非常缓慢。

 
Evgeni Gavrilovi #:

从计算正确的意义上讲，它还不错（我的最大夏普在 3 - 4 级），但由于该类没有 njit 装饰器，学习速度非常慢

什么是 njit 装饰器？

 
mytarmailS #:

什么是njit 装修公司？

来自 pandas 开发人员的附件，用于加快函数中代码的执行速度

 
Andrey Dik #:

不管是历史还是未来。测试仪本身与此无关。

重要的是算法（单独或作为网格一部分的优化算法）的特性，即找到评价标准的全局最优值。我强调--评价标准。评价标准不一定是和/或仅仅是利润。它可以是任何东西，例如，OOS 工作的评估标准是不是一个标准（最小化样本和 OOS 之间的差异）？- 这只是一种想法。标准可以是任何东西，也可以是任何复杂的东西。重要的是要明白，"利润 "标准是一个非常钝化和离散的东西，因此人们试图提出更平滑、更单调的评估标准，这在总体上提高了优化本身的质量，尤其是神经元训练的质量。

因此，回到我在这幅极具艺术性的图画上所画的内容--这幅图画直观地说明了一个事实，即在不知道局部极值的数量和特征的情况下，唯一的出路就是在计算能力有限的条件下尽可能地寻找一个可能的局部极值。

高原--是的，有这样一个概念，但它与优化无关，而是一个按某种属性对类似参数集进行分类的问题。寻找稳定的高原是另一项复杂的任务。

再说一遍：极值没有任何价值：不稳定点也不存在，因为我们面对的是随机过程，而且是非稳定过程。

我们需要寻找一个高原，即使是图中所示的高原，只要它有利可图，即使它高于局部和全局最小值。从理论上讲，这种高原将显示 TS 盈利能力的上边界。而找到的极值根本不算什么--它们肯定不在未来，但有希望出现高原



 

您对 "高原 "的理解很奇怪。高原并不是所研究函数的一种区域，高原是某些属性的一组参数。

利润与序列的非平稳性无关，更与网络在未知数据上学习和处理类似结果的能力无关。

您从字面上理解了利润这样的函数，也就是说，这个函数看起来就像测试仪中的平衡图。

[删除]  
СанСаныч Фоменко #:

再说一遍：极值没有任何价值：一个不稳定的点，而且这个点并不存在，因为我们面对的是随机过程，而且是非稳态过程。

我们需要寻找一个高原，即使是图中所示的高原，只要它有利可图，即使它高于局部和全局最小值。从理论上讲，这种高原将显示 TS 盈利能力的上边界。找到的极值根本不算什么--它们肯定不在未来，但有希望出现高原

优化并不是要找到不知道是什么的东西，而是要提高 TS 的盈利能力。

在正常情况下，您有整个兴趣面，尤其是作为潜在利润增长的极值。你将有时间滚落到高原。

或者，整个兴趣面已经下沉，只有极值和高原在水面上，需要找到它们？那就已经初步契合了。

这就好比大家聚在一起说："让我们优化某些东西，寻找高原"，如果我们找到了高原，那里就有宝藏。你是这么看的吗？

当然，救赎的希望是有的，但微乎其微。

 

我想通过一个例子来说明寻找神经网络工作集的过程：有一座假想的珠穆朗玛峰，它只有一个最大值。任务是铺设一条通往最大值的道路，使道路的角度不超过 3 度，路径应尽可能短。如果寻找一条直达山顶的道路，那么肯定会有很多人坠落而死（当他们落到山底时会哭泣，被压得扁扁的，抱怨风玫瑰图不稳定）。为什么需要这样一个最大值呢？还有另一个函数，即山峰函数的导数，其中包括两个标准--山峰的倾斜角度和道路的长度。因此，这个函数会有很多局部极值，而只有一个全局极值。解决了这个问题，我们就找到了一条安全到达珠穆朗玛峰顶的路，不会有人死亡，风的非稳态性对我们来说也无关紧要。但 "高原 "不应理解为山上某个可以休息的平台，而应理解为一组 角度*长度特性相似、满足安全要求的路径选择。

一般来说就是这样。并非每种算法都能找到 "安全 "的道路。搜索特性、收敛性和收敛速度都很重要。

1...282928302831283228332834283528362837283828392840284128422843...3399
新评论