我可以为不同的滑动时间窗口应用不同的超参数吗？

Question

问题

• 我可以为不同的训练集应用不同的超参数吗？
• 我可以看到使用共享参数的意义，但我看不到使用共享超参数的意义。在以下问题中介绍了使用共享参数的优点：经常性NNs:参数共享有什么意义？填充物不会起什么作用吗？

详细信息

1)对我的模型的解释

由于我的模型是一个股票交易模式，我将向你解释我如何交易股票。请原谅我解释我是如何交易股票的。这不是一个很长的解释。

• 我正在使用Bollinger带进行股票交易。(本例中的所有股票数据都是每日的)。
• 总之，我计算了简单移动平均(SMA)和标准差N天长股票价格。(是的，我假设股票价格服从高斯分布。)上带为SMA + k*stdev，下带为SMA - k*stdev。
• 当股票价格高于上段('Too_High_Buy')或低于下限('Too_Low_Buy')时，我购买股票。在“Too_High_Buy”一案中，当股票价格低于SMA时，我就卖出股票。在“Too_Low_Buy”一案中，当股票价格高于SMA时，我就卖出股票。

• 模型参数为SMA和Stdev，超参数为n和k. 。
  • N:它决定了SMA (黄线)的平滑程度。
  • k:它决定上下波段距离SMA有多远。

• 由于N和K值的不同表现出不同的特征，我们应该寻找N和K值对股票价格数据有利的值。

2)如何确定超参数(N& k)

• 我使用“滑步”来确定两个超参数N和K的适当数目。
• 滑动步骤使用固定数量的训练数据来确定超参数，并在验证数据集上检查这些超参数的性能，验证数据集紧跟于训练数据集。

• 我认为滑动步骤是一个很好的交叉验证工具，可以应用于股票数据，因为随着时间的推移，股票的统计特性会发生变化。例如，30年前，McDonald和可口可乐表现出类似的价格变动，因为它们是一起出售的。然而，如今可口可乐专注于健康饮料，而McDonald则是不健康的食品品牌，它们可以表现出不同的价格变动。
• 这里的超参数可以是几样东西，但是为了简单起见，假设我们应该确定的超参数是训练数据集(N)的持续时间。下降和预测的持续时间设置为1天。
• 利用网格搜索N和K的不同值，计算出N和K的哪个值在训练数据集的验证期内表现出最佳性能。

3)我的问题

• 我能用不同的k来做不同的训练吗？换句话说，我是否可以根据子训练数据集的性能动态地更改所使用的K值？
• 在滑动步长窗口方法中执行网格搜索时，我们在所有训练数据集中使用相同的K值来在验证期间进行股票交易。
• 然而，根据子训练数据的性能，我们可以使用不同的K值.
• 例如，假设N被固定为30天。从1月1日到1月30日，k=0.6表现出最好的性能，1月31日使用该k=0.6，1月2日至31日使用k=1.5，2月1日使用这个K值，以此类推。
• 为什么我们要在整个模型中使用共享的超参数K？对于参数，这是有意义的，因为它允许简化模型必须学习的参数。(资料来源：经常性NNs:参数共享有什么意义？填充物不会起什么作用吗？)
• 但是对于使用共享超参数，无论我是否使用共享超参数，超参数的数量都是相同的。只有一个超参数，即K，所需的计算量也是一样的。

Answer 1

是的-不同的超参数可用于不同的训练集。

在您的特定用例中，通过在不同的基于时间的滑动窗口上进行培训，您正在建模漂移您的时间序列数据。不同的超参数值将捕捉到随着时间的推移而逐渐发生的变化。