交易中的机器学习：理论、模型、实践和算法交易 - 页 3092 1...308530863087308830893090309130923093309430953096309730983099...3399 新评论 Forester 2023.06.03 12:13 #30911 mytarmailS #:你知道，利润和损失，对不对？因此，当头寸未平仓时，我们会从这些状态中提取退款。 是的。 mytarmailS#: 我认为可以将不同的 TS 设置等同起来，而不是在不同的部分进行交易。 我不确定。，总的来说。阅读文章，了解你在做什么，有一些限制。例如，有必要给出明显成功的设置，而不是 -1000000 到 +1000000。如果连续给出所有设置，那么平均 OOS 值就会垫底，也就没有比较的意义了。从 DR 方面来看，0,95......,0,98 的极窄范围也是不好的 - 结果会非常接近。 mytarmailS 2023.06.03 12:26 #30912 Forester #:是不确定。 而且一般来说。请阅读文章以了解您正在做什么，这是有限制的。例如，必须给出明显成功的设置，而不是 -1000000 到 +1000000。如果连续给出所有设置，平均 OOS 值就会垫底，与之比较就没有意义了。0.95...0.98 这样一个很窄的范围也不好--结果会非常接近。 我知道您应该提交一个盈利的 TS，而不仅仅是什么....。 我已经概述了测试的算法，但衡量标准只有一个细微差别 我应该优化所有 4 + 1 个指标吗？ p_bo slope ar^2 p_loss 0.1666667 2.1796000 -0.2100000 0.1670000 + прибыль 还是只 p_bp + прибыль Forester 2023.06.03 12:33 #30913 但我不明白他们是如何在没有训练的情况下进行交叉验证的。他们只是输入一组现成的回报，然后在 12000 个变体上进行混合。它应该在 12000 个 IS 中的每个 IS 上进行训练，并在每个相应的 OOS 上进行预测。 Forester 2023.06.03 12:33 #30914 mytarmailS #:我明白，你必须提交一份有利可图的 TC 文件，而不是随便什么文件。我已经概述了测试这件事的算法，但衡量标准只有一个细微差别。我需要优化所有 4 + 1 个指标 或仅 我不知道。我想他们中的任何一个。 mytarmailS 2023.06.03 12:39 #30915 Forester #: 但我不明白他们是如何在没有训练的情况下进行交叉验证的。他们只是输入一组现成的回报，然后在 12000 个变体上进行混合。它应该在 12000 个 IS 中的每一个上进行训练，并在每一个相应的 OOS 上进行预测。 这就是它的训练方式。 也许是时候看看软件包了。 Forester 2023.06.03 12:43 #30916 mytarmailS #:这就是教学方式。 森林/NS超参数在哪里？没有，所以它不训练。预测因子也没有输入。，我认为它只是在评估外部模型预测的稳定性 。 mytarmailS 2023.06.03 12:48 #30917 Forester #: 森林/NS 超参数在哪里？没有，所以不是训练。 我认为它只是评估外部模型预测的稳定性 。 据我所知，它是通过线性回归来估计稳定性的。 论文中有关于森林/NS 的内容吗？ Valeriy Yastremskiy 2023.06.03 13:12 #30918 我对比赛有点不理解。profsreda，不是profsreda，有一个任务，讨论任务的正确性更有意义，如果正确，为什么不正确？ 我尊重 holivar 所有参与者的意见，但我有另一个))))))。 在没有外部参数或其他参数的情况下，一切都非常复杂，或者说接近于永动机)))))。但有了外部参数，问题也一样大） 回归平均值是最容易理解的，而且显然是永恒的，很明显，在小 tf 上误差较小，但 Saber ticks 也会带来黑天鹅)))))。 СанСаныч Фоменко 2023.06.03 13:12 #30919 mytarmailS #:根据我的理解，它是通过线性回归来估计稳定性的。 文章中有关于森林/NS 的内容吗？ 或者它很简单？比如 Rattle？ 我们需要两个文件，第一个文件较大，第二个文件可以较小，但要有相对于第一个文件的最新日期。 我们通过随机抽样将第一个文件分为三部分：训练、测试和验证，比例为 70/15/15。 在训练阶段，我们进行交叉验证，例如 5 次。如果一个褶皱最小为 1500 条，那么训练 = 7500 条。在一个圆圈中，两个源文件的 15000 条就足够了。 我们在测试和验证 中运行训练好的模型，并分别得到分类误差 。 然后，我们在第二个文件上运行 1500 条窗口。收集分类误差。 如果获得的所有分类误差都在 5%的范围内，那么一切正常：我们可以相信获得的分类误差，不需要重新训练。 mytarmailS 2023.06.03 13:24 #30920 СанСаныч Фоменко #:简单点如何？ 我们走着瞧。 首先，你应该试着运行算法并进行测试，如果不行，那就扔掉它，忘掉它......99%。 如果行得通，那么你就可以深入研究文章，深入研究方法，尝试改进/改变/替换1%。 1...308530863087308830893090309130923093309430953096309730983099...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
你知道，利润和损失，对不对？
因此，当头寸未平仓时，我们会从这些状态中提取退款。
是的。
我认为可以将不同的 TS 设置等同起来，而不是在不同的部分进行交易。
我不确定。
，总的来说。阅读文章，了解你在做什么，有一些限制。例如，有必要给出明显成功的设置，而不是 -1000000 到 +1000000。如果连续给出所有设置，那么平均 OOS 值就会垫底，也就没有比较的意义了。从 DR 方面来看，0,95......,0,98 的极窄范围也是不好的 - 结果会非常接近。
是
不确定。
而且一般来说。请阅读文章以了解您正在做什么，这是有限制的。例如，必须给出明显成功的设置，而不是 -1000000 到 +1000000。如果连续给出所有设置，平均 OOS 值就会垫底，与之比较就没有意义了。0.95...0.98 这样一个很窄的范围也不好--结果会非常接近。
我知道您应该提交一个盈利的 TS，而不仅仅是什么....。
我已经概述了测试的算法，但衡量标准只有一个细微差别
我应该优化所有 4 + 1 个指标吗？
还是只
我明白，你必须提交一份有利可图的 TC 文件，而不是随便什么文件。
我已经概述了测试这件事的算法，但衡量标准只有一个细微差别。
我需要优化所有 4 + 1 个指标
或仅
但我不明白他们是如何在没有训练的情况下进行交叉验证的。他们只是输入一组现成的回报，然后在 12000 个变体上进行混合。它应该在 12000 个 IS 中的每一个上进行训练，并在每一个相应的 OOS 上进行预测。
这就是它的训练方式。
也许是时候看看软件包了。
这就是教学方式。
，我认为它只是在评估外部模型预测的稳定性 。
森林/NS 超参数在哪里？没有，所以不是训练。 我认为它只是评估外部模型预测的
稳定性 。
据我所知，它是通过线性回归来估计稳定性的。
论文中有关于森林/NS 的内容吗？我对比赛有点不理解。profsreda，不是profsreda，有一个任务，讨论任务的正确性更有意义，如果正确，为什么不正确？
我尊重 holivar 所有参与者的意见，但我有另一个))))))。
在没有外部参数或其他参数的情况下，一切都非常复杂，或者说接近于永动机)))))。但有了外部参数，问题也一样大）
回归平均值是最容易理解的，而且显然是永恒的，很明显，在小 tf 上误差较小，但 Saber ticks 也会带来黑天鹅)))))。
根据我的理解，它是通过线性回归来估计稳定性的。
文章中有关于森林/NS 的内容吗？或者它很简单？比如 Rattle？
我们需要两个文件，第一个文件较大，第二个文件可以较小，但要有相对于第一个文件的最新日期。
我们通过随机抽样将第一个文件分为三部分：训练、测试和验证，比例为 70/15/15。
在训练阶段，我们进行交叉验证，例如 5 次。如果一个褶皱最小为 1500 条，那么训练 = 7500 条。在一个圆圈中，两个源文件的 15000 条就足够了。
我们在测试和验证 中运行训练好的模型，并分别得到分类误差 。
然后，我们在第二个文件上运行 1500 条窗口。收集分类误差。
如果获得的所有分类误差都在 5%的范围内，那么一切正常：我们可以相信获得的分类误差，不需要重新训练。
简单点如何？
我们走着瞧。
首先，你应该试着运行算法并进行测试，如果不行，那就扔掉它，忘掉它......99%。
如果行得通，那么你就可以深入研究文章，深入研究方法，尝试改进/改变/替换1%。