文章 "用随机森林预测趋势" - 页 4

[СанСаныч Фоменко]

gpwr:

模型和预测因子的选择是相互关联的。首先，我们应该选择一个模型，然后在此模型的基础上选择预测因子，筛选出在同一模型预测中 "作用 "最小的预测因子。尽管很多文章和教科书都不这么教：首先，我们使用某种方法计算这些预测因子与目标序列（输出）之间的关系来选择预测因子。最常见的筛选方法是预测因子与输出之间的相关系数和互信息。然后选择一个模型，通常与如何选择预测因子无关。如果你仔细想想（计量经济学 教科书不会告诉你这些，你必须自己思考），通过与输出的相关系数来选择预测因子的方法实质上是选择那些在线性回归模型（LRC）中误差最小的预测因子。根据预测因子与输出结果的互信息来选择预测因子的方法，实质上是选择那些在基于纳达拉亚-沃森回归模型中误差最小的预测因子（名字很难懂，叫 GRNN）。

完全同意您对相关性的看法。预测因子对目标变量的影响不能通过相关性来确定，也不能通过回归来确定。其方法不同。最流行的是基尼指数，但我在使用它的同时，也利用了自己的考虑和一些行动序列。虽然我已经设法找到了一些预测趋势的预测因子，但还没有找到一套预测价格上涨的预测因子。

我想提请您注意我的书。预测因子的问题要比相关性和基尼指数复杂得多。这本书阐明了很多问题。

[Yury Reshetov]

faa1947:

我想提请您注意我的书。预测因子问题比相关性和基尼指数复杂得多。这本书澄清了很多问题。

谢谢！我会在闲暇时阅读的。也许我会得到一些启发。

[Vladimir]

faa1947:

我想提请您注意我的书。预测因子问题比相关性和基尼指数复杂得多。这本书阐明了很多问题。

书不在那里，有一个广告。

以前，这里很少有关于网络的信息。人们想研究这些网络，并在交易中加以尝试。而现在，有很多关于网络的书籍和文章，一步步指导如何使用它们。我看了这些关于网络的书籍和文章后，不仅对它们望而却步，甚至对网络产生了一些反感。这些著作的问题在于，它们甚至没有试图引起读者的兴趣：阅读和使用它们。为什么要浪费时间？诱饵在哪里？在书或文章的开头展示使用书中或文章中描述的方法进行交易的诱人结果，我们就会有兴趣阅读和理解它们。我正在看一篇关于深层网络的新文章，我想除了几个已经了解深层网络的专家外，谁会去读？我也已经了解这些网络，而且我知道它们和其他网络一样不适用于市场交易。就连这些网络的发明者杰弗里-辛顿（Jeffrey Hinton）也早就认识到了这一点。请在 YouTube 上收听他的演讲。

[СанСаныч Фоменко]

gpwr:

书不在那里，有一个广告。

以前，这里很少有关于网络的信息。人们希望研究这些网络，并在交易中加以尝试。而现在，有很多关于网络的书籍和文章，一步步指导如何使用网络。我看着这些关于网络的书籍和文章，不仅对阅读望而却步，甚至对网络产生了一些反感。这些著作的问题在于，它们甚至没有试图引起读者的兴趣：阅读和使用它们。为什么要浪费时间？诱饵在哪里？在书或文章的开头展示使用书中或文章中描述的方法进行交易的诱人结果，我们就会有兴趣阅读和理解它们。我正在看一篇关于深层网络的新文章，我想除了几个已经了解深层网络的专家外，谁会去读呢？我也已经了解这些网络，而且我知道它们和其他网络一样不适用于市场交易。就连这些网络的发明者杰弗里-辛顿（Jeffrey Hinton）也早就认识到了这一点。请在 YouTube 上收听他的讲座。

在开发 TS 时，交易者的通常任务是找到一组可以预测未来的信号，即所谓的模式。我们使用现成的指标，购买它们，自己编写它们，将它们相互组合......

我认为不存在这样的问题。在我的文章和书中，有大约 200 种模式。用传统方法是不可能找到这样的模式的。

此外，在掌握了 R 语言之后，我可以毫不费力地将一种寻找模式的算法，例如神经网络，改成深度神经网络，再改成其他算法。而且，也没必要去研究算法发现了什么。

问题出在哪里？

也就是你在上面的帖子中提到的：正确选择预测因子。我再补充一点。正确预处理预测因子。这是一项技能。通过阅读书籍，你会掌握这种技能，因为你自己也思考过这个问题。

那我的书呢？它只是对整个问题的肤浅回顾，而不仅仅是模式搜索的具体算法。我向您保证一个结果：您将流利地掌握几种形态，并达到足够的交易水平，而无需真正深入研究这些形态，也无需研究各种锲机、层级、反弹和反弹--所有这些对您来说都是多余的。您将专注于预测。

这是一种完全不同的方法。

最后，我想提醒大家注意统计学的公理："垃圾进，垃圾出"。任何模型、算法都无法改变这一点。因此，我们不应该用连字符，而是应该用一个黑盒子来命名，不要担心它，而是要处理垃圾。

[Vladimir]

faa1947:

在开发 TS 时，交易者的通常任务是找到一组可以预测未来的信号，即所谓的模式。我们使用现成的指标，购买它们，自己编写它们，将它们相互组合 ....。

我认为这个问题并不存在。在我的文章和书中，有大约 200 种模式。用传统方法是不可能找到这样的模式的。

此外，在掌握了 R 语言之后，我可以毫不费力地将一种寻找模式的算法，例如神经网络，改成深度神经网络，再改成其他算法。而且，也没必要去研究算法发现了什么。

问题出在哪里？

就是你在上面的文章中提到的：正确选择预测因子。我想补充一点。正确预处理预测因子。这是一项技能。通过阅读书籍，你会掌握这项技能，所以你自己也想到了这一点。

那我的书呢？它只是对整个问题的肤浅回顾。同时，我向您保证一个结果：您将熟练掌握几个模型，足以进行交易，而无需真正深入研究这些模型、各种perseptrons、层、buging和bousting--所有这些对您来说都是多余的。

完全不同的方法。

您自己在交易中使用这些方法吗？结果如何？我是认真的，至少暗示一下结果。例如，我赚到了足够的钱，我不需要写书了，我在尼斯或巴哈马买了一栋别墅，现在我在度假，我在做慈善事业，我在免费赠送书籍。

[СанСаныч Фоменко]

gpwr:
您自己在交易中使用这些方法吗？结果如何？我是认真的，至少暗示一下结果。例如，我赚到了足够的钱，我不需要写书了；我在尼斯或巴哈马买了一栋别墅，现在我正在度假；我在做慈善事业；我在免费赠送书籍。

如果你能找到一组预测因子，你就能实现你的清单。

PS.

书呢？可以让你召集一个愉快的聚会，而价格又能让那些寻找圣杯 的人望而却步。

[Eugene Labunsky]

告诉我，是不是至少可以引用一次 "样本之外"（Out Of Sample）？

PS.给你发邮件了。

[СанСаныч Фоменко]

elab74:

告诉我，是不是至少可以引用一次 "样本之外"（Out Of Sample）？

PS.给你发邮件了。

我文章第 5.3 节中的表 2。rattle() 软件包会自动给出 ALE 以及其他非常有用的信息，这些信息在文章中都有展示。此外，所有这些信息都会生成程序代码，无需 rattle() 即可独立使用。我的书长达 400 页，因此所有内容都非常详细，包括使用意识形态，这在 rattle() 的原始文档和使用的软件包中都没有。rattle 是一个外壳，一个图形用户界面。

PS.

我回复了您的电子邮件

[Eugene Labunsky]

faa1947:

见我文章第 5.3 节中的表 2。rattle()软件包会自动提供 ALE 以及其他非常有用的信息，这些信息将在文章中展示。此外，所有这些信息都用于生成程序代码，无需 rattle() 即可独立使用。我的书长达 400 页，因此所有内容都非常详细，包括使用意识形态，这在 rattle() 的原始文档及其使用的软件包中是没有的。rattle 是一个外壳，一个图形用户界面。

PS.

电子邮件回复

我指的是 MT4 中的样本外测试 - 纯粹是对模型的利润感兴趣。比方说，误差为 17...20% 的 + 或 - 之字形在实践中可能会变成另一个巨大的消耗者。

PS. 邮件已收到，希望能尽快付款（需要等待资金积累）

[СанСаныч Фоменко]

elab74:

我指的是 MT4 中的样本外测试 - 纯粹是对模型利润的兴趣。比方说，误差为 17...20% 的 + 或 - 之字形在实践中会变成另一个巨大的消耗者。

PS. 邮件已收到，希望我能尽快付款（需要等待资金积累）

我没有，我也不明白这有什么意义，因为模型应该建立在具有预测不同类别能力的预测因子上。正是预测因子的这一特性保证了模型不会过度拟合（过度训练）。这篇文章和这本书把一切都堆在了一起。有必要清理预测因子、建立模型并在 MT4 中进行测试。