交易中的机器学习：理论、模型、实践和算法交易 - 页 3145

新评论
 
Aleksey Nikolayev 点 搜索算法与时间序列变化点检测的相似性。在这两种情况下，通常都要将一个样本分割成两个差异最大的子样本。

添加。空白，时间实际上是一个空特征

 
Maxim Dmitrievsky #:
我明白，你也可以研究一下因果森林。顺便说一句，我还没有研究过它，如果有人能搞清楚它，读一读用它进行的实验会很有意思。
我不明白 Sanych 的方法：）他在研究均方根误差。或滑动窗口中的均方根误差。

不，我的研究是 "预测能力 "偏差。与模型本身的估计无关

 
СанСаныч Фоменко #:

不，我的问题是关于 "预测能力 "的偏差。这与模型本身的评估无关。

这不仅是你的问题，也是任何 MOSH 人员的问题：)
交叉验证很常见。
出于某种原因，你只是认为自己在做不同的事情。

如果通过 MO 进行估算，就会得到可比的估算结果。因为它运行良好，不会比自制估算差。

我的结论是基于您的描述。
 

在选择信息特征的类似实验中，我尝试了所有的方法。这并不难。从相关性、互信息和 knn 开始，到 OLS 和 SVM，再到森林、声学和神经网络（我没有接触深度网络）。结果表明，bousting 的效果最好。OLS 位居第二。

道理很简单：如果将 bousting 缩减为一棵树，并进行一次分割，那么就可以评估互信息、样本或排列熵以及部分 OLS。
 
СанСаныч Фоменко #:

不，我的质疑是关于 "预测能力 "的偏差。与模型本身的评估无关

是否有可能模型的参数在每一步之间跳跃很大？也就是说，尽管每一步都有很好的 "预测能力"，但所期望的依赖关系却安排得很不一样，而且在不断变化。如果是这样，这很可能是一种过度训练。

 
Maxim Dmitrievsky #:
我明白，你也可以研究一下因果森林。顺便说一句，我没有研究过它，但如果有人了解它，读一读用它做的实验会很有趣

这似乎是同样的随机森林，但有因果关系的解释。因此，作为森林和因果森林的普及者，你手中有牌）。

不过，我还不了解因果关系在交易中的应用。我在谷歌上搜索了一下，没有找到直接应用，只有间接应用--比如研究股票对外汇交易的影响。

 
Aleksey Nikolayev #:

这似乎是同一种随机森林，但有因果解释。因此，作为森林和因果关系解释的普及者，你手中有牌）。

不过，我还不了解因果关系在交易中的应用。我在网上搜索了一下，并没有找到直接的应用，只有间接的应用--比如研究股票对外汇的影响。

在处理未知问题时，需要花费大量的脑力：）谷歌上没有这种东西，直到最近也没有任何明确的通用手册。
 
Aleksey Nikolayev #:

会不会每一步的模型参数跳跃性都很大？也就是说，尽管每一步都有很好的 "可预测性"，但所需的依赖关系却安排得很不一样，而且在不断变化。如果是这样，这很可能是一种过度训练。

在我的案例中，无法回答你的问题：模型在每一步都在重新训练，自然不同步骤的特征集也可能不同。

分类误差从 20% 到 10% 不等。从未出现过 25% 的误差。

 
Maxim Dmitrievsky #:

在选择信息特征的类似实验中，我尝试了所有的方法。这并不难。从相关性、互信息和 knn 开始，到 OLS 和 SVM，再到森林、声学和神经网络（我没有接触深度网络）。结果表明，bousting 的效果最好。OLS 位居第二。

道理很简单：如果将 bousting 缩减为一棵树，并进行一次分割，那么就可以评估互信息、样本或排列熵以及部分 OLS。

上述算法都无法提供预测能力，而数百种计算重要性（显示算法使用特征的频率 ）的 MO 算法也无法提供预测能力：如果给 MO 算法输入垃圾信息，任何 MO 算法都会计算垃圾信息的重要性。

 
СанСаныч Фоменко #:

上述算法都不具备预测能力，数以百计的 MO 算法也不具备预测能力，因为这些算法会愚蠢地计算重要性，即某个特征被算法使用的频率 ：如果把垃圾输入 MO 算法，任何 MO 算法都会计算这些垃圾的重要性。

分类/回归误差就会产生。我觉得这些奇怪的游戏玩得够多了，你会兜圈子的:)有这样一扇门可以出去。
1...313831393140314131423143314431453146314731483149315031513152...3399
新评论