交易中的机器学习：理论、模型、实践和算法交易 - 页 99

新评论
 
DAFomenko:

分类不是万能的，也不是制造圣杯的工具。

应用分类的第一件事是将工具应用于工具所适用的问题。例如，将光谱分析应用于金融市场的想法已经讨论过很多次，都是看似很好的工具，但对于其他对象，啊，不，又提供了。

第二。这个分类很适用于金融市场，但也有很多麻烦，正如上面写的那样。但在分类中，我们可以把主要问题--重新训练（过度拟合）TS的问题。还有什么比这更重要的呢？当然，被剥夺拥有最喜爱的圣杯的幻想并不好，但这里有一个选择：幸福是好的，但真理是更好的？

第三。分类提出了一个相当具体的问题：我们在预测什么。让我们把它与TA进行比较。我们接受指标。它总是一个酒吧[1]。不使用当前栏。这对H1意味着什么？我们用每小时的新鲜度信息来预测市场的进入!这是在最好的情况下。

这在分类中是完全不同的。你将目标变量的当前值与昨天的原始数据相匹配--将目标值移动一个或多个柱子。当你使用一个适合这种数据的模型时，你总是现实地预测下一个条形图到来时的未来。

PS。

如果你要用它来预测市场的急剧变化（新闻），如果你能设法生成一个目标变量，你就会成功，而这在更简单的情况下是个大问题。

我赞同所有这些。

我不知道光谱的情况，我从来没有使用过。

第二。分类相当适用于金融市场，但有很多错综复杂的问题，如上文所述。但在分类时，你可以把主要问题--重新训练（过度拟合）TS的问题。还有什么比这更重要的呢？当然，被剥夺拥有你最喜欢的圣杯的幻觉是不好的，但这里有一个选择：幸福是好的，但真理是更好的？

在那里，在那里!我们只有一个问题--过度教育。而且它对每个人都有影响。反之，则是教育不足（以及各地的不良结果）。

我一直在这里给你发布一些漂亮的图表，包括蒙特卡洛。基本上，我得出的结论是，我将数据拟合到一个样本外的片段，而没有对其进行模型训练。我似乎有模型很好地通过了样本外的测试。但问题是，只要我看不到样本外的情况，我就不能选择一个工作模式。这真是太糟糕了。

 
阿列克谢-伯纳科夫。


在那里，在那里!我们只有一个问题--再培训。

至于我，问题只是另一件事，你知道.......
 
mytarmailS:
我认为问题完全在于其他方面，你知道.......
只是涉及的内容很多。而当数据、预测器、模型准备好后，实验的设计也就排开了。还有待检查的是，该模型是否被重新训练，而且它确实倾向于重新训练。(纯粹是我的经验。)
 
尤里-叶夫谢恩科夫。

我是什么，一个医生？这里是桑尼奇写的。

"这里我们讨论的是基于分类的预测，在预测下一栏时不考虑之前的状态。基于分类的预测（预报）是基于模式的预测。如果过去有新闻导致了不符合以前价值的变化（不是推断出来的），那么分类将抓住这种变化，如果未来有类似的变化（不完全相同，但类似），它将被识别并做出正确的预测。"

所以我认为值得在这个方向上挖掘："分类将抓住这样的变化"。

你在开始时说得很对。终于有一些明智的人出现在支部里。是的，分类估计一个关于真实或虚假的模式，或者说我不知道，正如雷舍托夫所建议的那样。 而模式本身具有预测的成分；重要的不是模式本身，而是市场对它的反应。而如果这个反应与训练中的反应相同，网会得出正确的结论。所以它是这样的....
 
Mihail Marchukajtes:
在这个话题中终于有了一些明智的人。
你有没有好好考虑过这个问题？
 
mytarmailS:
你想清楚了吗？
我总是这样。想得太坏是不行的 :-)
 
Mihail Marchukajtes:
我总是这样做。想得太坏是不行的 :-)

没办法

 
阿列克谢-伯纳科夫。

我在这里给你发了一些漂亮的图表，包括蒙特卡洛。基本上，我得出的结论是，我将数据拟合到一个样本外的片段，而没有对其进行模型训练。我似乎有模型很好地通过了样本外的测试。但问题是，只要我看不到样本外的情况，我就不能选择一个工作模式。这真是太糟糕了。

你试过委员会的工作吗？如果gbm在相同的数据上用相同的参数进行多次训练，每次在新的数据上的结果都会略有不同。如果你随机选择一个模型，那么也许你会很幸运，交易会很顺利，也可能不会，你不能这样猜。在这种情况下，你应该训练几十个（几百个）模型，最后的结果将是大多数模型所预测的结果。

例如：左边是100个模型的模拟交易结果。你可以看到，只拿一个模型，你就有几乎50%的机会失去。
在右边是由这些模型的委员会决定的交易，没有随机性，一切都很清楚，几乎是稳定的向上。

 
mytarmailS:

实验是真理的标准--不要想，要做

我个人认为，光谱分析更有前途，但这只是 我的看法...

你为什么不先考虑一下呢？即使是狼也会考虑是否要追赶一只瘦小的野兔。有时你浪费的能量比你从猎物那里获得的能量还要多。
 
DAFomenko:

应用分类的第一件事是将工具应用于工具所适用的问题。例如，将光谱分析应用于金融市场的想法已经讨论过很多次了，都是看似很好的工具，但对于其他对象，啊，不，又被提出来了。

第二。这个分类很适用于金融市场，但也有很多麻烦，正如上面写的那样。但对于分类，我们可以把主要问题--重新训练（过度拟合）TS的问题。还有什么比这更重要的呢？当然，被剥夺拥有你最喜欢的圣杯的幻觉是不好的，但这里有一个选择：幸福是好的，但真理是更好的？

第三。分类提出了一个相当具体的问题：我们在预测什么。让我们把它与TA进行比较。我们接受指标。它总是一个酒吧[1]。不使用当前栏。这对H1意味着什么？我们用每小时的新鲜度信息来预测市场的进入!这是在最好的情况下。

这在分类中是完全不同的。你将目标变量的当前值与昨天的原始数据相匹配--将目标值移动一个或多个柱子。当你在这样的数据上使用拟合模型时，你总是现实地预测下一个条形图到来时的未来。

如果你要用它来预测突然的市场动向（新闻），那么如果你能产生一个目标变量，你就会成功，这在更简单的情况下是个大问题。

你和桑尼奇有关系吗？

是的，我是。天真贝叶斯分类器，因为它可以过滤垃圾邮件，它在这里到底能不能用？

至于新闻，没门儿!一些新闻将在所有缝隙中被重新训练，这将是一场真正的灾难。我举了一些例子。

1...9293949596979899100101102103104105106...3399
新评论
原因: