The LASSO has two important uses, the first is forecasting and the second is variable selection. We are going to talk about the second. The variable selection objective is to recover the correct set of variables that generate the data or at least the best approximation given the candidate variables. The LASSO has attracted a lot of attention...
好了，既然你已经说到了点子上，我就告诉你一个关于数据收集处理的想法。要在足够大的范围内训练一个具有高度概括性的模型真的很困难，因为市场是一个活的有机体，等等，等等。训练期越长，模型的表现越差，但时间越长。目标：制作一个长期运行的模型。分裂或方法二，然而对于那些使用两个网络的委员会。
当网格显示在不同方向时，我们有三种状态 "是"、"不是 "和 "不知道"。
我们在整个部分训练网络，在我们的案例中是452个条目。网络以55-60%的比例学习了这组数据，假设训练集中的 "不知道 "的回答为50%，那么226个信号网络就无法学习。好吧，现在我们只在 "不知道 "的状态上建立一个新模型，也就是说，我们试图在这种误导第一个模型的准状态上建立模型。结果大致相同，226人中只有一半会被识别，其余的会得到 "不知道 "的状态，然后再次建立模型。结果是113，然后是56，然后是28，然后是14。对于以前任何模型都不知道的14个条目，Jprediction优化器通常会计算出高达100%的可推广性。
因此，我们有一个 "模式系统"，可以在三个月的时间内识别整个市场。
这里有另一种方法，除了 "每日背景"，你如何将市场分成子空间，并通过获得确切的 "模式系统 "来进行训练 这里有一个例子....
一个有趣的方法。我将不得不进行实验...它已经被测试过了，至少在演示中被测试过了吗？看到信号会很有趣。
这都是自05.29日以来15分钟内的样本外。这已经是第三周了。但如果不能获得更多的收益，那么原则上来说，这种方法的价值是微不足道的，但我相信......:-)
在我看来，每周在周末对NS进行一次再培训是可以接受的。因此，我认为有可能使用...你不需要设定任务来交易3周、3个月、1年的利润而不进行再培训。而通过每周一次的再培训，你的NS将始终根据最新的市场模式进行调整。
有趣的方法。我将不得不进行实验...你已经将其投入运行了吗，至少在演示中？看到信号会很有趣。
在我看来，每周在周末对NS进行一次再培训是可以接受的。所以我认为我们可以利用它...我不希望它交易3周、3个月、1年的利润而不进行再培训。而每周重新培训一次，你的NS将始终根据最新的市场模式进行调整。
你需要一个强大的EA，我为测试者做了一个，最后一个有很多交易，它只是三个模型的工作。
我已经做了一些脚本，根据EA的算法工作，我将在信号时手动运行它们，然后我们将看到...
好了，既然你已经说到了点子上，我就告诉你一个关于数据收集处理的想法。要在足够大的范围内训练一个具有高度概括性的模型真的很困难，因为市场是一个活的有机体，等等，等等。训练期越长，模型的表现越差，但时间越长。目标：制作一个长期运行的模型。分裂或方法二，然而对于那些使用两个网络的委员会。
当网格显示在不同方向时，我们有三种状态 "是"、"不是 "和 "不知道"。
我们在整个部分训练网络，在我们的例子中是452个条目。网络以55-60%的比例学习这组数据，假设训练样本中 "不知道 "的回答占50%，因此，226个信号网络无法学习。好吧，现在我们只在 "不知道 "的状态上建立一个新模型，也就是说，我们试图在这种误导第一个模型的准状态上建立模型。结果大致相同，226人中只有一半会被识别，其余的会得到 "不知道 "的状态，然后再次建立模型。结果是113，然后是56，然后是28，然后是14。对于以前任何模型都不知道的14个条目，Jprediction优化器通常会计算出高达100%的可归纳性。
因此，我们有一个 "模式系统"，可以在三个月的时间内识别整个市场。
这是除 "每日背景 "之外的另一种方式，你如何将市场分解为子空间，并通过获得确切的 "模式系统 "来产生训练 这里有一个例子....
------------------------------------------------------------
这种方法被称为 "提升"--提升 是一种机器学习算法的顺序组成程序，每个连续的算法都试图补偿所有先前算法组成的缺点。提升 是一种贪婪的算法，用于构建算法的组成。
最近最著名的应用是XGBoost。
祝好运
用LASSO选择预测器
是的，这个算法不需要去除高度相关的变量。它自己就能很好地处理它们。
不过很早以前就用过了，当时回归很有意思。
祝好运
交易员博士。
是的，没有那么多，有了这样的结果，你最好采取范式，"主要的不是赢，而是参与"，我实际上失去了我的账户，可能不是自觉的，也是出于羞愧，我们中像向导 ，给予了希望，但也走出了路，不能承受竞争的压力。也许值得承认的是，有一些专家比我们强得多（几百倍、几千倍......），他们在哈佛大学学习，使用超级计算机。
专家们比我们强得多（几百倍、几千倍......），他们在哈佛大学学习，使用超级计算机。
不是成千上万次...如果你看一下第一名的奖励，冠军只比我好1000 / 2.09 = 478.47倍。
不以千计...如果你看一下第一名的奖励，冠军只比我好1000/2.09=478.47倍。
一个赔率是478.47倍，但在累计收益率上有帅哥为10000美元，比你好3000多倍，一个希望是向导，但我认为他羞于讨论这个令人不快的话题。
Boring......:-( 你培训，你训练，你选择模型，你工作，可以这么说。但是，当模型建成后，你所要做的就是在它.......？
Boring......:-( 你培训，你训练，你选择模型，你工作，可以这么说。但当一个模型建成后，你所要做的就是在它.......？
这很少发生，最好是去某个地方休息，直到你的大脑抗议并开始要求写代码，例如泰国、印度尼西亚、马尔代夫。