交易中的机器学习：理论、模型、实践和算法交易 - 页 595

[Grigoriy Chaunin]

桑桑尼茨-弗门科。

当你进入一个名为 "统计 "的建筑时，入口处上方写着"垃圾进，垃圾出"。

任何指标都是价格的一个函数。神经网络 有一个非宽松的特点。如果网络足够深入，它能够自行推导出任何指标公式。如果网络不能在价格数据上学习，那不是因为投入，而是因为不可能收到价格的输出数据。

[Yuriy Asaulenko]

格里戈里-乔宁。

任何指标都是价格的一个函数。神经网络具有非宽松性。如果网络足够深入，它能够自行推导出任何指标公式。如果网络不能从价格数据中学习，那么就不是输入的问题，而是原则上不能从价格中获得输出数据。

你和SanSanych都是对的。

一方面，国家统计局将自动建立必要的指标和它们的整体性。另一方面，如果数据不干净，其中有太多的噪音，那么没有一个国家能够学到任何东西。所以，这也是关于投入的问题。

[Maxim Dmitrievsky]

训练NS时，混合样本有多重要？ 这样做的数学理由是什么？

混合与所有MO模型有关，还是只与某些特定模型有关？

[Yuriy Asaulenko]

马克西姆-德米特里耶夫斯基。

训练NS时，混合样本有多重要？ 这样做的数学理由是什么？

混合与所有国防部的模型有关，还是只与某些特定模型有关？

混合是必要的，以防止学习算法在每个循环中遵循相同的路径。我们可以到达那里，但却无法走出当地的极端情况。但混合也不是万能的。

[Maxim Dmitrievsky]

尤里-阿索连科。
有必要将其混合起来，以便学习算法不会在每个周期都遵循相同的路径。我们可能会撞上，但却无法走出当地的极端情况。

也就是说，你是否需要混合训练几次，看看结果如何关联？

[Yuriy Asaulenko]

马克西姆-德米特里耶夫斯基。

即：洗牌几次，训练几次，看看结果如何关联？

在每隔几个纪元的训练后进行搅拌。不幸的是，许多学习算法不允许中断（见Python - 一些包（模块）），每次都要从头开始。

搅拌也是与退火相结合的好办法。但是，同样，在机器上很难做到这一点。你总是需要看一下中间的结果，然后再计划进一步的步骤。

[Maxim Dmitrievsky]

尤里-阿索连科。

洗牌必须在每隔几个 epochs 的训练后进行。不幸的是，许多学习算法不允许中断（见Python - 一些包（模块）），每次都要从头开始。

搅拌也是与退火相结合的好办法。但是，同样，在机器上很难做到这一点。你总是要观察中间的结果，然后计划你的下一步行动。

哇......就是这样......也就是说，在训练前就把它混在一起是没有意义的。

[Vizard_]

Alexander_K2:我知道有人从NS中拉出了圣杯，但那些人对交流甚至对他们所做的暗示都很封闭，作为一个初学者，我没有机会。我只知道一切都很复杂，它不是Vels，不是Metatrader，甚至不是S#，而是C++和MatLab与一些 解码和解释来自校准器的数据的芯片，原来这是一个相同的方法，我听说后感到害怕，他们与曾经在CERN每天研磨TB的叔叔合作，在量子混沌中寻找新粒子。

而你现在已经得到了）响尾蛇是CatBoost。
---------
如果你觉得想抓到一个玻色子...
https://www.kaggle.com/c/higgs-boson

[Forester]

Darch默认为在每个纪元之前进行混合。试着把它关掉--它根本没有学到任何东西。

所以我在想，如果一切都被洗牌，如何才能让新鲜的数据对学习产生更强的影响？

[Aleksey Terentev]

elibrarius。

Darch默认为在每个纪元之前进行混合。试着把它关掉--它根本没有学到任何东西。

所以我在想，如果一切都被洗牌，如何才能让新鲜的数据对学习产生更强的影响？

尝试交叉验证（K-折）。