交易中的机器学习：理论、模型、实践和算法交易 - 页 3091

[Maxim Dmitrievsky]

[mytarmailS]

Forester #:

目前在第 8 页。而这还只是介绍））））
看来，这将是夏普（Sharpe）的交叉验证比较（但他们写道，您可以使用任何其他指标）。

据我所知，有 4 个参数需要优化

summary(my_pbo)
Performance function Omega with threshold 1

      p_bo      slope       ar^2     p_loss 
 0.3714286  1.6891000 -0.0140000  0.3430000 

• p_bo （ 回溯测试中过度训练的概率）应接近 0，这表明过度训练的风险较低。
• sope （ 线性回归的斜率系数）应接近 1，这表示训练子集和测试子集的性能指标值之间有很强的线性关系。
• ar^2 （ 调整后的判定系数）应接近 1，表明线性回归的准确性良好。
• p_loss （ 测试子集的性能指标值低于给定阈值的比例）应接近 0，表明测试子集的大多数性能指标值都高于给定阈值。

但应注意的是，这些值可能取决于所选的性能指标和阈值

需要多标准帕累托前后多标准优化

[Forester]

mytarmailS #:

据我所知，有 4 个参数需要优化

• p_bo （ 回溯测试中过度训练的概率）应接近 0，表示过度训练的风险较低。
• slope （ 线性回归斜率系数）应接近 1，表示训练子集和测试子集的性能指标值之间有很强的线性关系。
• ar^2 （ 调整后的判定系数）应接近 1，表明线性回归的准确性良好。
• p_loss （ 测试子集的性能指标值低于给定阈值的比例）应接近 0，表明测试子集的大多数性能指标值都高于给定阈值。

但应注意的是，这些值可能取决于所选的性能指标和阈值

由于篇幅太短，我们无法理解这些参数是什么。以下是文章第 13 页的更多内容（如果软件包完全重现了文章中的方法，但可能添加/删减了其他内容）

Overfit 统计
第 2 节中引入的框架允许我们 通过以下四种互补分析 来描述策略回溯测试 的可靠性-
：
1. 回溯测试过拟合概率 (PBO)：
被选为最优 IS 的
模型配置表现低于 N 模型配置的 OOS 的概率。
2. 性能下降：这决定了更高的每
性能 IS 在多大程度 上会导致更低的 OOS 性能，这种情况与 Bailey 等人[1]中讨论的记忆效应有关
。[1].
3. 损失概率：被选为最佳
IS 的模型 造成OOS 损失 的概率。
4. 随机优势： 该分析确定用于选择 IS 策略 的程序--
dure是否优于在 N 备选 方案中随机选择
一种模型配置。

下文将详细讨论每个项目。

[mytarmailS]

Forester #:

下面是文章第 13 页的更多内容（如果软件包完全重现了文章中的方法，但可能添加/删减了其他内容）。

软件包太糟糕了，多年来从未见过这样的软件包

代码糟糕透顶

文档几乎毫无用处

我不明白它是怎么进入 CRAN 的。

我还是不明白，是有一个交易系统被调查分成了几批，还是有几个 TS（在这个库中）？

[Forester]

mytarmailS #:

我还是不明白，一个交易系统是分批研究的，还是几个 TS（在这个库中）。

从一组使用不同参数/超参数获得的模型中选择最佳模型。输入是一个矩阵，其中每一列都是一个模型的预测。

也许不是。我也还没想明白

[mytarmailS]

Forester #:

从不同参数/超参数下获得的一组模型中选出最佳模型。输入是一个矩阵，其中每一列都是一个模型的预测结果。

我已经弄明白了。

我不明白如何处理结果

我给出了一列（一个 TS）

结果

summary(my_pbo)
Performance function Omega with threshold 1

  p_bo  slope   ar^2 p_loss 
0.0000 2.2673 0.9700 0.3710 

我输入 5 列（5 个 TC）

我也得到一行。

summary(my_pbo)
Performance function Omega with threshold 1

     p_bo     slope      ar^2    p_loss 
0.3428571 1.9081000 0.0440000 0.2860000 

应该有 5 行，或者如果是最佳 TS 的结果，应该有一个最佳 TS 的索引......

我要杀了这个作者

[mytarmailS]

Forester #:

从不同参数/超参数下 获得的一组模型中选出最佳模型。 输入是一个矩阵，其中每一列都是其中一个模型的预测结果。

也许不是。我也还没想明白

可以解释为从不同市场部分 （参数/超参数）获取 TS 利润回报 ????

不同市场部分 == 参数/超参数 ？

[Forester]

mytarmailS #:

可以解释为从市场的不同部分 （参数/超参数）获取 TC 利润回报 ????

正是利润回报。

mytarmailS#:

市场的不同部分 == 参数/超参数 ？

正如我所理解的设置：不同时期的 MA、SL 等。

[Forester]

mytarmailS #:

我还得到一行

应该有 5 行，或者如果是最好的 TC，应该有一个最好的索引......

因此，您可以得到对模型（可能也包括对预测数据和目标数据）的总体评价
一个坏的模型会产生这样的结果（只有 17%的 OOS 结果高于 0）。

好模型 - 95% 的 OOS 结果高于 0

[mytarmailS]

Forester #:

回返者已经抵达。

你知道，有得有失，对吧？

因此，当职位空缺时，我们会考虑各州的回返者。

Forester#：

我的理解是设置：不同时期的 MA、SL 等。

与其说是 TS 的不同设置，不如说是在不同的区域进行交易，我认为这可以划等号。