交易中的机器学习：理论、模型、实践和算法交易 - 页 3325

新评论
 
mytarmailS #:

这是在耍我吗？

什么是嘲弄？

这是视频


 
Aleksey Vyazmikin #:

你在耍什么花招？

视频如下

是这样 的

 
mytarmailS #:

这样

我这边是关于互联网上的一个地方，即一个链接。

 
Aleksey Vyazmikin #:

我这边是关于互联网上的一个地方，即一个链接。

我不记得具体是哪篇文章了、

但也没有一百万篇，你可以查查。

 
mytarmailS #:

我不记得是哪篇文章了、

但也不是一百万篇，你可以查查。

所以我搜索了一下，还没找到。

 
Aleksey Vyazmikin #:

我也是这么想的。我只是想问，原因是否已经查明？不是什么坏了，而是为什么信号会丢失。

原因很简单，正如它的本意--信号丢失是因为新数据的信号超出了可接受的狭窄范围。

这就好比分类，有明确的已知模式，也有模糊的未知模式。随着时间的推移，未知的模式越来越多，"已知 "的模式已经所剩无几。

 
Aleksey Vyazmikin #:

据称，使用这种算法可以在 cagle 上赢得第一名，但我认为这并不是简单的任务...

要不要试试看？很遗憾，我不懂公式。

我也不喜欢公式，只喜欢想法。
，如果你把这个想法细分一下，它对市场数据太不利了。

，它建议删除非常接近的不同类别的成对例子。如果我们看第三个例子，理想情况下，0.2 到 0.8 之间的所有例子都会被删除，只有 0.2 以下和 0.8 以上的区域才会保留绝对纯净的类别。任何模型都可以很容易地对它们进行分类。

但这只是一个人为的例子。

在市场数据中，不会有这种以某一类为主的纯区块。也就是说，您必须清理几乎所有的数据。例如，有 1000 个点，900 个被清理，其余的达到了叶片的清洁度，例如 70%--看起来还不错，您可以赚到钱。但是，当您开始真正交易时，就会出现一些例子，我们在清理时把它们去掉了（9 个垃圾换 1 个剩余的），例如，指标从 70% 降到 53%，您就会在点差、滑点等方面亏损。

，我更喜欢一棵树和一片叶子，其中一类的纯度为 53%。我不会使用它。
 
Aleksey Vyazmikin #:

所以我搜索了一下，还没有任何结果。

会发生的

 
Aleksey Vyazmikin #:

我看不出这里有什么联系。它从何而来？

从你链接上的文字来看，甚至有一个关于它们之间联系的定理。别懒，至少读读你的链接。
 
Forester #:
我使用的也不是公式，而是想法。 而且，如果对这个想法进行细分，它对市场数据来说并不是那么好。 它建议删除彼此非常接近的不同类别的成对示例。如果我们看第三个例子，理想情况下，从 0.2 到 0.8 的所有例子都会被移除，只有 0.2 以下和 0.8 以上的区域才会保留类别的绝对纯度。任何模型都可以很容易地对它们进行分类。 但这只是一个人为的例子。 在市场数据中，不会有这种以某一类为主的纯区块。也就是说，您必须清理几乎所有的数据。例如，有 1000 个点，900 个被清理，其余的达到了叶片的清洁度，例如 70%--看起来还不错，您可以赚到钱。但是，当您开始真正交易时，就会出现一些例子，我们在清理时把它们去掉了（9 个垃圾换 1 个剩余的），例如，指标从 70% 降到 53%，您就会在点差、滑点等方面亏损。 ，我更喜欢一棵树和一片叶子，其中一类的纯度为 53%。我不会使用它。








在这一点上，我们对结果的想法是一致的。是的，我希望得到一个高度稀疏的样本，但据我了解，这个过程是迭代式的，这意味着您可以更早地了解测量结果并停止使用，然后使用相同的数据来建立相同的木材模型，这样就可以减少裂痕，使树叶中的数值更加可靠。

我的理解是否正确，初始中心的位置是随机的？

1...331833193320332133223323332433253326332733283329333033313332...3399
新评论