文章 "机器学习和交易中的元模型：交易订单的原始时序"
我没有看代码，只是从描述中看到：元模型似乎在第 2 次迭代时就已经对未来数据进行了训练。我认为有必要只对过去的数据进行训练。
我说的是这句话
Сначала необходимо обнулить книгу плохих сделок, если в ней что-то осталось после предыдущего обучения. Затем в цикле задается необходимое количество итераций.
这本书会积累关于未来的信息。又不是每次训练前都会重置。
从毕达哥拉斯时代起，人们就开始区分常识和秘诀。这个话题非常大，涉及哲学、政治和经济。将这一说法具体到证券交易所，我们可以关注詹姆斯-西蒙斯。这个人利用他的多维空间数学知识，让他的资本每月翻一番。这意味着，我们确实有可能计算出这种多维空间（即证券交易领域）的行为。许多作者，例如 N. Rudyk，"行为金融学"，Lars Tweed，"金融心理学"，J. Soros，"金融炼金术"，都注意到了市场首先是心理这一事实。大众心理不是用高斯分布来描述的，而是齐普夫-帕雷托分布。概率论之所以不适用于心理学，是因为这一理论的基础存在错误。问题：什么适用于大众心理学？达尼列夫斯基（I.Danilevsky）写过一本好书：《集体无意识的结构。量子般的社会现实》。这本书的意思是：集体无意识是一个量子场，可以而且应该用量子力学的数学工具来研究它。
秘密知识之所以是秘密，是因为它并不广为人知。尽管如此，只要有愿望，就有可能超越既定轨道，寻找属于自己的道路。
Inquiring
解释应包括可核实的事实，而不是诉诸秘密知识和流行语秘密知识之所以秘密，是因为它并不广为人知。尽管如此，只要有心，人们还是可以不走寻常路，找到属于自己的方法。
存在故意歪曲事实的情况。一般来说，这看起来更像是无稽之谈--你收集了所有让你兴奋的神秘词汇。
新文章 机器学习和交易中的元模型：交易订单的原始时序已发布：
机器学习中的元模型：很少或无人为干预的情况下自动创建交易系统 — 模型自行决定何时以及如何进行交易。
首先，我需要画个小重点。 由于研究人员在开发交易系统（包括应用机器学习的系统）时所作所为的不确定性，因此不可能严格正规化搜索对象。 它可以定义为多维空间中的一些或多或少稳定的依赖关系，这些依赖关系很难用人类甚或数学语言来解释。 我们从高度参数化的自我训练系统中，很难进行详细的分析。 这种算法需要交易者基于回测的结果给予一定程度的信任，但它们并没有阐明所发现形态的精髓，甚至是本质。
我打算编写一个算法，能够自行分析和校正错误，迭代改进结果。 为此，我提议采用一组两个分类器，并按照下图所示顺序对它们进行训练。 下面提供了该思路的详细描述。
每个分类器都基于自己的数据集合训练，数据集合有自己的大小。 蓝色水平线表示元模型的条件历史深度，橙色线代表基准模型。 换句话说，元模型的历史深度始终大于基准模型，并且等于评估（测试）时间间隔，在该时间间隔上测试这些模型的组合。
作者：Maxim Dmitrievsky