交易中的机器学习：理论、模型、实践和算法交易 - 页 80

新评论
 
射频10/5 "是什么意思
 
mytarmailS:
我们在这里都是煽动者，只有你是达达尼昂，这一点很清楚，至少你不是一个巨魔....。bye.....:)


我不认为这是一个真正的交易策略，但我了解到他是一个深刻的实践者，我没有关于市场的问题没有得到解答......我要感谢他。

这个人是博士。技术科学博士，很早以前（大约20年前）就通过了关于 "AI "的论文答辩。他制造机器人已经超过20年了，有很多经验。

而且他说，人们无法从黑箱方法中预测市场，但有必要确定工作属性，了解它们如何以及为何工作，并尽可能地过滤数据，以便只留下有效的内容，忽略噪音。

他有一个由大约100个标志（预测因子）组成的网络，每个特质都有一个完整的库或包，如你所愿。

现在再来比较一下需要整个图书馆的标志和一些名称为 "SMA "的愚蠢的歪门邪道之间的质量差距。, "MACD"，"RSI "等...他们有0.00000001%的有用信息，就像Mihail Marchukajtes 写的那样，这是一个事实，否则模型就会显示他们所能显示的性能，这意味着90%的正确答案。

他建议阅读 "MSUA "和光谱分析，特别是傅里叶分析。

========================================================

再往后我 "蛊惑人心 "取得了什么成果，其实很谦虚，好的想法，因为我想了很多，我的研究同时向很多方向发展，各个领域的知识都非常缺乏，因为经常向论坛参与者求助，但特别是帮助，没有人愿意，他们说你自己学习，然后.....，只有我自己掌握了所有，那么我为什么做这个沟通，因为没有逻辑，我就会分心。


我从RF的新数据中得到的最好的东西是连续两个月每月50%，但它还不稳定，我试过10次上传图片，但我失败了。


底线是，你不必限制自己的模式，如每年30%是很酷的，这并不酷，这个框架的思想和创意

恭喜你。这就是你5年来的交易方式。或者给我看任何5年来的真实统计数据。

关于标志，我不想在这里做沙发分析，比如你的标志是垃圾，有更好的标志，模型并不重要。好吧，让我看看你做了什么。我把我所有的投入都贴在这里了，还有它们的组合。计算它们的信息价值。你到底为什么要在空中摇摆？

 
桑桑尼茨-弗门科。
什么是 "RF 10/5"？

是的，我在用新数据测试模型时，在图片上做了记号，不要注意它....。

它是模型的一个参数 5棵树中的10个分支

 
mytarmailS:

是的，我在用新数据测试模型时，在图片上做了记号，不要注意它....。

这是模型参数 5棵树，一棵树上有10个分支

非常有趣!

你能抛出任何细节吗？

 
mytarmailS:

这是我在新数据上从RF挤出的最好的数据，是连续两个月每月50%的数据，但还是很不稳定，我试着上传了10次图片，但还是不行（知道了）。


重点是，我们不应该用模板来限制自己，比如一年30%是很酷的，这并不酷，它是一个思想和创造力的框架。

这是对样本外数据的回测？我说的对吗？
 
桑桑尼茨-弗门科。

这一切都非常有趣!

你能抛出任何细节吗？

你到底想知道什么？但没有人在乎。 每个人都有自己对市场的理解--自己的方式。相应地，每个人对信息的感知是不同的，并不总是准备听别人的意见。
 
阿列克谢-伯纳科夫。
这是对样本外数据的回测吗？我说对了吗？
是
 
mytarmailS:
是
发展这个想法。增加更多的数据。需要几年的时间才能从样本中通过。否则，很好，做得很好!
 
mytarmailS:

听起来像是不当的模型训练，变化太大。模型通常有某种随机的学习过程，其中的学习逻辑没有被一致定义。这样的随机时刻导致了这样一个事实：如果你训练几个模型，它们在训练数据上会给出大致相同的结果，但在前沿测试上会有差异。

这个问题有几个来源和解决办法。
1）有的噪声输入不能提供有用的信息，它们必须被去除
2）改变模型的训练参数。对于Neuronkey，我通过使用衰减参数解决了这个问题，使用这个参数的前沿测试的结果变得不那么分散了。如何处理这片森林，我不知道。
3）建立一个模型委员会。训练许多模型，在所有模型上进行前沿测试，在大多数人说的地方采取结果
4）如果你在训练过程中做交叉验证，在相同的数据上重复几次，看看结果的变化有多大，选择变化小的模型和预测器

这就是我现在想到的，但这并不是可能出现的问题的极限。

 
阿列克谢-伯纳科夫。
发展这个想法。增加更多的数据。应该需要几年的时间才能从样本中通过。否则，做得很好!
有一个服务器 :)
1...737475767778798081828384858687...3399
新评论