交易中的机器学习：理论、模型、实践和算法交易 - 页 854

新评论
 
尤里-阿索连科。

对我来说？我已经解决了这个问题。现在我在想其他的事情要做。Python或R。我还没有任何新的想法。

那么，你如何评估这个模型呢？或者当你反复建造同一套模型时，你总是得到相同的模型。是这样吗？

 
Mihail Marchukajtes:

你是对的，你是对的，但人工智能的任务恰恰是在非稳态系列中，模式是浮动的。人工智能的任务是在这种关系跑掉的时候让它继续运行，哪怕只是短时间，但足够长的时间来赚钱。毕竟，模式不会有飞跃性的变化。在主要的、第一条的位置上有另一条，但主要的一条仍然留在这组中，在这里是人工智能承担了守住这条线的责任，正如他们所说。这就是为什么在期货合约的第一个月，人们必须经常训练，特别是在市场不知道去哪里的时候。看一下Vtrite，我可以看到这种模式在跳舞。但在期货的中期和末期，作为一项规则，市场变得更加有秩序，一个条目在很长一段时间内占主导地位。

伙计，每个人都是从上一个期货收盘前的那一刻或几天开始工作的。第一个月是什么鬼？

 
Mihail Marchukajtes:

模式的变化是混乱的，模式的偏差随着时间的推移呈 指数级增长

任何近似器（部分除外，RNN或LSTM）都不能解决这样的问题

所有关于统计学的文章，并试图将其应用于市场的当前形式 - 可以被扔掉，不要对其给予任何关注

主要的努力应该集中在非稳态环境下的工作方法上，其中之一是由亚历山大提出的（只要你没有对商有稳态影响的标志，而这种影响不能从商本身先验地提取出来）。
 
Mihail Marchukajtes:

那么，估计模型的方法是什么？还是当你重复建造同一套模型时，你总是得到相同的模型？是这样吗？

可能是不同的，谁知道呢。它正在对一个随机序列进行训练。

 
尤里-阿索连科。

可能是不同的，谁知道呢。它是在一个随机序列上训练的。

好吧，那么你如何选择合适的呢？还是他们最终都会在反馈环路上给出相同的结果？

在我看来，所有模型在反馈环路上的工作方式都不一样....。

 
Mihail Marchukajtes:

好吧，那么你如何选择合适的呢？还是他们最终都会在反馈环路上给出相同的结果？

我已经得到了所有在O.C.P上工作不同的模型.....

我只有一个模型--nc-60神经元。没有必要选择。我们训练，我们工作。

是的，反馈 - 它是什么？

 
尤里-阿索连科。

我只有一个模型--NS-60神经元。你不需要选择任何东西。我们训练，我们工作。

是的，什么是O.C.D.？

呃...Geez........你有一个NS，但当你训练它时，你总是会得到不同的神经元权重。总是不同的。在训练区也会以同样的方式工作。但每次训练时，你总是会得到一个不同的NS，其差异在于神经元的系数。因此，我们可以从统计学上确定，这个NS在未来的这组特定赔率下会比这组更好用。不是吗？或者我不明白什么。在P市，据我所知，它只是全部缝在......。

 
而任务不是要得到一个模型，而是要选出在未来能发挥作用的模型。而如何做到这一点，在我的任务中有所显示，你认为这是没有必要的。而这竟然是最重要的一个!!!!!!。
 
Mihail Marchukajtes:

是啊...Gee ......你有一个NS，但当你训练它时，你将总是得到不同的神经元加权系数。总是不同的。在训练区也会以同样的方式工作。但每次训练时，你总是会得到一个不同的NS，其差异在于神经元的系数。因此，我们可以从统计学上确定，这个NS在未来的这组特定赔率下会比这组更好用。不是吗？或者我不明白什么。只是在R中，它都被缝在了里面......，因为我理解它......

我不在R中工作。

是的，每次训练都是一个不同的NS。我检查了它，唯一的一个，在一个独立的BP上，然后去了真正的。顺便说一下，对于期货。

 
尤里-阿索连科。

我不在R中工作。

是的，每次训练都是一个不同的NS。我检查了它，唯一的一个，在一个独立的BP上，然后去了真正的。顺便说一下，关于期货。

我也一直在独立的BP上测试它。我的基本策略使我能够在不浪费时间的情况下创建这样一个BP。但事实证明，使用我的例子中计算的方法更好。因此，从统计学上看，要了解你的模型在多大程度上携带了关于输出的信息，更可靠....

1...847848849850851852853854855856857858859860861...3399
新评论