交易中的机器学习：理论、模型、实践和算法交易 - 页 352 1...345346347348349350351352353354355356357358359...3399 新评论 Yuriy Asaulenko 2017.05.16 12:47 #3511 马克西姆-德米特里耶夫斯基。 多么错误，你正在创建一个分类模型。样本越大，概括性越强，模型在一般情况下变得更稳健，在特殊情况下变得更不准确，分别是，利润越小让我们从效率的角度来说明。如果系统的效率由于复杂性的增加而下降，那么这个系统就没有意义了。利润+亏损的减少表明效率的下降。随着可持续性的提高，效率也应该提高。效率可以定义为利润/（利润+亏损）比率。你也可以采取每笔交易的效率。 Maxim Dmitrievsky 2017.05.16 12:52 #3512 尤里-阿索连科。让我们从效率的角度来说明。如果系统的效率由于复杂性的增加而下降，那么这个系统就没有意义了。利润+亏损的减少表明效率的下降。随着可持续性的提高，效率也应该提高。效率可以定义为利润/（利润+亏损）比率。也可以考虑每个交易的KPI。 不能适用于VS））事实证明，长期效率提高，短期效率下降）。如果你想举个例子......有一个战略和战术......短期学习帮助NS在战术上获胜，而长期--战略，不同的因素可能会影响它......。 СанСаныч Фоменко 2017.05.16 12:56 #3513 尤里-阿索连科。让我们从效率的角度来说明。如果系统的效率由于复杂性的增加而下降，那么这个系统就没有意义了。利润+亏损的减少表明效率的下降。随着可持续性的提高，效率也应该提高。效率可以定义为利润/（利润+亏损）比率。你也可以采取每个交易的KPI。让我们避免被称为KPI的自行车。计量经济学使用信息标准。这里的定义 是信息性标准 是计量经济学（统计学）中应用的计量经济学（统计学）模型的相对质量的衡量标准，它考虑到模型与数据的 "拟合 "程度，并通过所使用的估计参数的数量进行修正（惩罚）。也就是说，这些标准是基于对模型准确性和复杂性的权衡。信息性标准完全用于模型之间的比较，而没有对其数值作出有意义的解释。它们不允许在统计假设检验的意义上测试模型。一般来说，标准的数值越低，模型的相对质量就越高。如果我们采取一个假设有模型选择的包，将使用其中一个信息标准。 СанСаныч Фоменко 2017.05.16 12:58 #3514 迪米特里。 Faa写出了正确的观点，但他的表述并不正确。你有一个系列和一组预测因子。你把这个系列分成三个部分--训练样本和正向（最简单的情况）。比如说，你建立了20个模型。问题是，从列表中选择一个模型不是由训练样本上的最佳者来执行，也不是由前进样本上的最佳者来执行。我们选择在训练样本和正向样本上给出几乎相同质量分数的模型。我们都是对的。一个信息标准被用来选择较简单的，但信息标准决不是排除正向测试。 Yuriy Asaulenko 2017.05.16 13:15 #3515 桑桑尼茨-弗门科。让我们跳过那些叫做KPI的自行车。计量经济学使用信息标准。一个绝对不会干扰或取代另一个。在经济学中，有与KPI绝对对应的效率标准。没有必要发明任何东西。在这种情况下，我们评估的是结果，而不是过程。我们不再关心过程标准。该系统是一个黑盒子。这就是为什么我们要比较这些盒子的特点。还有一些评估标准--每1卢布的投资效益，交易的平均效率等。整个业务都在这样的标准下运行。我们最终在做什么？ Yuriy Asaulenko 2017.05.16 13:28 #3516 马克西姆-德米特里耶夫斯基。 很好。你已经提高了系统的稳定性--你已经消除了缩减。即使总利润甚至没有下降，也一直保持不变。问题是：让你走出这些坑的交易发生了什么？如果你没有删除它们，只有它们会增加系统的利润。 Maxim Dmitrievsky 2017.05.16 13:39 #3517 尤里-阿索连科。 很好。你通过消除缩减来增加系统的稳定性。即使总利润甚至没有下降，而是保持不变。问题是：让你走出这些坑的交易发生了什么？如果你没有删除它们，只有它们会增加系统的利润。 如果你在不同的时间段训练神经元，你将得到不同的结果，没有什么可以比较的。 信号将是不同的，模型将被训练得不同，你没有办法影响这一点。我没有删除任何东西) Yuriy Asaulenko 2017.05.16 13:52 #3518 马克西姆-德米特里耶夫斯基。 如果你在不同的时间间隔训练神经元，那么你将得到不同的结果，甚至没有什么可以比较的......信号将是不同的，模型将被训练得不同，你根本无法影响它。我没有删除任何东西)移除优化器是可以理解的。但结果的可重复性是任何实验的要求。也就是说，如果我们在不同的部分进行训练时，在测试中出现不同的结果，这就是一个值得思考的理由。想象一下，我们教相同的NS使用相同的ToR来识别语音，然后决定它们甚至不能被比较，因为它们的训练方式不同。 Maxim Dmitrievsky 2017.05.16 13:58 #3519 尤里-阿索连科。移除优化器是可以理解的。但结果的可重复性是任何实验的要求。也就是说，如果我们在不同的部分进行训练时，在测试中出现不同的结果，这就是一个值得思考的理由。想象一下，我们教相同的NS使用相同的ToR来识别语音，然后决定它们甚至不能被比较，因为它们的训练方式不同。 嗯，有点是的，但在目前的模型中，这是不可能的，它不是那么复杂，它将以同样的方式近似于一个小的数据集和一个巨大的 Yuriy Asaulenko 2017.05.16 14:52 #3520 马克西姆-德米特里耶夫斯基。 嗯，有点，是的，但在目前的模型中，这是不可能的，它不是那么复杂，以至于会以同样的方式近似于一个小的数据集和一个巨大的数据。一般来说，如果我们谈论分钟，市场在统计学上是同质的，即统计数据在一周到一周，一个月到一个月之间变化不大（稳定）。我不知道，我还没有研究过这个问题。在我印象中，你的工作是1分钟。原则上，如果简单系统是收敛的，那么它的收敛速度应该更快。也就是说，他们有一个高的最大值。顺便说一下，我们自己用 "错误的 "预测器产生这些高点。 1...345346347348349350351352353354355356357358359...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
多么错误，你正在创建一个分类模型。样本越大，概括性越强，模型在一般情况下变得更稳健，在特殊情况下变得更不准确，分别是，利润越小
让我们从效率的角度来说明。如果系统的效率由于复杂性的增加而下降，那么这个系统就没有意义了。利润+亏损的减少表明效率的下降。
随着可持续性的提高，效率也应该提高。效率可以定义为利润/（利润+亏损）比率。你也可以采取每笔交易的效率。
让我们从效率的角度来说明。如果系统的效率由于复杂性的增加而下降，那么这个系统就没有意义了。利润+亏损的减少表明效率的下降。
随着可持续性的提高，效率也应该提高。效率可以定义为利润/（利润+亏损）比率。也可以考虑每个交易的KPI。
不能适用于VS））事实证明，长期效率提高，短期效率下降）。如果你想举个例子......有一个战略和战术......短期学习帮助NS在战术上获胜，而长期--战略，不同的因素可能会影响它......。
让我们从效率的角度来说明。如果系统的效率由于复杂性的增加而下降，那么这个系统就没有意义了。利润+亏损的减少表明效率的下降。
随着可持续性的提高，效率也应该提高。效率可以定义为利润/（利润+亏损）比率。你也可以采取每个交易的KPI。
让我们避免被称为KPI的自行车。
计量经济学使用信息标准。
这里的定义 是
信息性标准 是计量经济学（统计学）中应用的计量经济学（统计学）模型的相对质量的衡量标准，它考虑到模型与数据的 "拟合 "程度，并通过所使用的估计参数的数量进行修正（惩罚）。也就是说，这些标准是基于对模型准确性和复杂性的权衡。
信息性标准完全用于模型之间的比较，而没有对其数值作出有意义的解释。它们不允许在统计假设检验的意义上测试模型。一般来说，标准的数值越低，模型的相对质量就越高。
如果我们采取一个假设有模型选择的包，将使用其中一个信息标准。
Faa写出了正确的观点，但他的表述并不正确。
你有一个系列和一组预测因子。你把这个系列分成三个部分--训练样本和正向（最简单的情况）。
比如说，你建立了20个模型。
问题是，从列表中选择一个模型不是由训练样本上的最佳者来执行，也不是由前进样本上的最佳者来执行。我们选择在训练样本和正向样本上给出几乎相同质量分数的模型。
我们都是对的。
一个信息标准被用来选择较简单的，但信息标准决不是排除正向测试。
让我们跳过那些叫做KPI的自行车。
计量经济学使用信息标准。
一个绝对不会干扰或取代另一个。在经济学中，有与KPI绝对对应的效率标准。没有必要发明任何东西。
在这种情况下，我们评估的是结果，而不是过程。我们不再关心过程标准。该系统是一个黑盒子。这就是为什么我们要比较这些盒子的特点。
还有一些评估标准--每1卢布的投资效益，交易的平均效率等。整个业务都在这样的标准下运行。我们最终在做什么？
很好。你通过消除缩减来增加系统的稳定性。即使总利润甚至没有下降，而是保持不变。问题是：让你走出这些坑的交易发生了什么？如果你没有删除它们，只有它们会增加系统的利润。
如果你在不同的时间段训练神经元，你将得到不同的结果，没有什么可以比较的。 信号将是不同的，模型将被训练得不同，你没有办法影响这一点。我没有删除任何东西)
如果你在不同的时间间隔训练神经元，那么你将得到不同的结果，甚至没有什么可以比较的......信号将是不同的，模型将被训练得不同，你根本无法影响它。我没有删除任何东西)
移除优化器是可以理解的。但结果的可重复性是任何实验的要求。也就是说，如果我们在不同的部分进行训练时，在测试中出现不同的结果，这就是一个值得思考的理由。
想象一下，我们教相同的NS使用相同的ToR来识别语音，然后决定它们甚至不能被比较，因为它们的训练方式不同。
移除优化器是可以理解的。但结果的可重复性是任何实验的要求。也就是说，如果我们在不同的部分进行训练时，在测试中出现不同的结果，这就是一个值得思考的理由。
想象一下，我们教相同的NS使用相同的ToR来识别语音，然后决定它们甚至不能被比较，因为它们的训练方式不同。
嗯，有点是的，但在目前的模型中，这是不可能的，它不是那么复杂，它将以同样的方式近似于一个小的数据集和一个巨大的
嗯，有点，是的，但在目前的模型中，这是不可能的，它不是那么复杂，以至于会以同样的方式近似于一个小的数据集和一个巨大的数据。
一般来说，如果我们谈论分钟，市场在统计学上是同质的，即统计数据在一周到一周，一个月到一个月之间变化不大（稳定）。我不知道，我还没有研究过这个问题。在我印象中，你的工作是1分钟。
原则上，如果简单系统是收敛的，那么它的收敛速度应该更快。也就是说，他们有一个高的最大值。顺便说一下，我们自己用 "错误的 "预测器产生这些高点。