많은 설정이 있으므로 자세히 설명하지 않겠습니다. 나는 내가 할 수 있는 한 최선을 다해 그 아이디어를 설명했다.
사실 여기에서 2개의 차트(주식)를 보는 것으로 충분합니다. 모두 순수 OOS: 1 - 군더더기 없이 훈련된 첫 번째 모델, 2 - 설명된 모든 절차 후. 음, PF, RF, 승률과 같은 메트릭을 사용할 수 있습니다. 그래서 내가 이해하는 바와 같이 아름다운 학습 곡선이 IS에 어떤 영향을 미치는지 명확하지 않습니다.
사실 여기에서 2개의 차트(주식)를 보는 것으로 충분합니다. 모두 순수 OOS: 1 - 군더더기 없이 훈련된 첫 번째 모델, 2 - 설명된 모든 절차 후. 음, PF, RF, 승률과 같은 메트릭을 사용할 수 있습니다. 그래서 내가 이해하는 바와 같이 아름다운 학습 곡선이 IS에 어떤 영향을 미치는지 명확하지 않습니다.
그래프의 첫 번째 1/3 - 훈련에 포함되지 않은 새 데이터
25회 및 100회 반복이 있는 그림은 최대값이 약 70회였지만 100회에서 개선되었음을 보여줍니다.
2개의 모델이 사용됩니다. 하나는 매수 또는 매도를 예측하고 다른 하나는 거래 여부를 예측합니다.
먼저 첫 번째 것이 훈련된 다음 예측이 잘 안되는 곳을 보고 이러한 예를 "거래 안함"으로 표시하고 나머지는 "거래"로 표시하고 이에 대한 두 번째 모델을 훈련합니다.
첫 번째 모델은 훈련 사이트뿐만 아니라 추가 모델에서도 테스트되고 두 번째 모델은 두 사이트에서 모두 훈련됩니다.
이를 여러 번 반복하여 동일한 데이터 세트에서 두 모델을 재교육합니다. 결과는 샘플에 대해 점차적으로 향상됩니다. 그러나 항상 대조 샘플에 있는 것은 아닙니다.
이와 병행하여 불량 거래의 로그는 모든 패스에 걸쳐 누적된 상태로 유지되고 "거래 안함"에 대한 모든 "불량" 거래는 두 번째 모델을 훈련하기 위해 여기에 수집되고 더 많은 사본과 같은 몇 가지 원칙에 따라 필터링됩니다. 모든 패스에 대해 나쁜 거래가 있을수록 "거래 안 함"으로 표시할 확률이 높아집니다.
예를 들어, 모든 교육 반복에 대한 각 날짜에 대해 특정 수의 불량 거래가 누적되었으며 이 수가 임계값(평균, 평균)을 초과하는 경우 해당 거래는 "거래 안함"으로 레이블이 지정됩니다. 나머지는 건너뜁니다. 그렇지 않으면 훈련 반복이 많은 경우 모든 트랜잭션을 제외할 수 있습니다.
계수를 사용하면 출구에서 트랜잭션 수 를 조정할 수 있습니다. 낮을수록 더 많은 트랜잭션이 필터링됩니다.
...이 시점에서 나는 이미 쓰기에 지쳤습니다 ...
새로운 독립 사이트에서 결과를 개선하기 위해 이러한 모델 조합을 어떻게 개선할 수 있습니까? 이것이 작동할 수 있는 어떤 철학이 있습니까? 모델이 각 라운드의 재교육에서 자연스럽게 서로를 향상시킨다는 사실(오류가 떨어짐)을 제외하고는 적합성을 제거하는 방법은 무엇입니까?
삽화. 차트는 3부분으로 나뉩니다. 후자에서는 첫 번째 모델이 훈련되고, 끝에서 두 번째, 마지막에서 두 번째, 첫 번째 세 번째 모델은 검사 샘플입니다. 당연히 마지막 섹션이 가장 좋고 처음 세 번째 섹션이 가장 나쁩니다.
잘못된 거래 로그를 사용하여 두 모델을 모두 15번 반복했습니다.
평범한 Multi-Label Classificaton처럼 보입니다. 모델 조합을 다양화할 필요는 없지만 예측 변수의 조합입니다. 우선 예측 변수를 스마트 및 소매 작업의 기능으로 나누는 것입니다. 결국, 물론입니다. , 서로 반대되는 신호가있을 것이지만 여기에 포인트 (임시) OTF 진입 (레벨을 깨기위한) - 이미 모델 선택을위한 Edge (시장에서 dtf 또는 otf action'a) ... IMHO
===========
또는 마크업 없이, 하지만 포그 게이트 기능이 있는 LSTM 만 있으면 나중에 2개 모델에서 별도로 필터링하지 않아도 됩니다. 하지만 이것은 모두 취향의 문제입니다...
나는 IBM에 대한 회귀를 얻었습니다(2021년 말의 테스트 데이터 - 가격 차트의 오른쪽 꼬리가 기차 및 테스트 차트에 표시됨)... 간단한 방법으로 Close...
- 진부한 MA가 밝혀졌습니다. - 그리고 항상 그렇듯이 이 경우에는 (적어도) 추세에 따라 작동하지만 플랫에서는 그렇지 않습니다. - 스마트 및 소매 행동에 대한 추가 필터링도 추가해야 합니다(모델 변경 입력과 출력으로 분류) ...
평범한 Multi-Label Classificaton처럼 보입니다. 모델 조합을 다양화할 필요는 없지만 예측 변수의 조합입니다. 우선 예측 변수를 스마트 및 소매 작업의 기능으로 나누는 것입니다. 결국, 물론입니다. , 서로 반대되는 신호가있을 것이지만 여기에 포인트 (임시) OTF 진입 (레벨을 깨기위한) - 이미 모델 선택을위한 Edge (시장에서 dtf 또는 otf action'a) ... IMHO
===========
또는 마크업 없이, 하지만 LSTM 만 있고 레이어를 잊어버리면 나중에 2개 모델에서 별도로 필터링하지 않아도 됩니다. 하지만 이것은 모두 취향의 문제입니다...
나는 IBM에 대한 회귀를 얻었습니다(2021년 말의 테스트 데이터 - 가격 차트의 오른쪽 꼬리가 기차 및 테스트 차트에 표시됨)... 닫기에 대한 간단한 방법으로... - 진부한 MA가 밝혀졌습니다. - 그리고 이 경우 항상 그렇듯이 추세에서는 (적어도 어떻게든) 작동할 것이고 평면에서는 작동하지 않을 것입니다 - 또한 스마트 및 소매 행동에 대한 추가 필터링이 추가되어야 합니다(모델은 입력 및 출력으로 분류하도록 변환되어야 함) ...
멀티 레이블이 아니라 다른 의미를 가지고 있습니다. 나쁜 신호는 반복적으로 제거되고, 일반 더미에서 메인 모델에 의해 잘 예측된 신호는 남겨지고, 두 번째 모델은 좋은 것과 나쁜 것을 분리하고, 첫 번째의 거래를 금지하거나 허용하는 방법을 학습합니다.
99% 확률 또는 무이자 0.99
당신은 끔찍한 사람입니다!
그런 기회를 가지고 그저 필사자들과 소통한다는 것이... 그건 현실이 아닌...
당신은 끔찍한 사람입니다!
그런 기회를 가지고 그저 필사자들과 소통한다는 것이... 그건 현실이 아닌데...
절대 안돼 ;)
사실은 트레이더가 아무리 열심히 노력해 도 결국 에는 대부분 추세에 반하여 거래한다는 것입니다.
CME의 볼륨 분포를 관찰하고 동적 온라인 모드로 게시되며 가격 행동
이것은 다시 한 가지만을 말합니다 - 다수에 대한 가격
구매 - 가격 하락 및 그 반대
그랬고, 앞으로도 그럴 것이다.
왜냐하면:
https://www.mql5.com/en/forum/86386/page2605#comment_28636383
CME의 정보를 기반으로 전략을 세우는 것은 가치가 없습니다.
왜냐하면
그들은 알아차리자마자 쓰레기 정보를 채우는 방법을 알고 있습니다.
이미 수영 ;)
Alexey가 언급했듯이 부스팅과 같은 것으로 나타났습니다.
검사 샘플을 고려하여 각 반복에서 개선
하지만 엉덩이가 잘 조여지지 않는데(왼쪽), 가끔은 더 좋다
많은 설정이 있으므로 자세히 설명하지 않겠습니다. 나는 내가 할 수 있는 한 최선을 다해 그 아이디어를 설명했다.
100번의 반복을 기다리면
Alexey가 언급했듯이 부스팅과 같은 것으로 나타났습니다.
검사 샘플을 고려하여 각 반복에서 개선
하지만 엉덩이가 잘 조여지지 않는데(왼쪽), 가끔은 더 좋다
많은 설정이 있으므로 자세히 설명하지 않겠습니다. 나는 내가 할 수 있는 한 최선을 다해 그 아이디어를 설명했다.
사실 여기에서 2개의 차트(주식)를 보는 것으로 충분합니다. 모두 순수 OOS: 1 - 군더더기 없이 훈련된 첫 번째 모델, 2 - 설명된 모든 절차 후. 음, PF, RF, 승률과 같은 메트릭을 사용할 수 있습니다. 그래서 내가 이해하는 바와 같이 아름다운 학습 곡선이 IS에 어떤 영향을 미치는지 명확하지 않습니다.
사실 여기에서 2개의 차트(주식)를 보는 것으로 충분합니다. 모두 순수 OOS: 1 - 군더더기 없이 훈련된 첫 번째 모델, 2 - 설명된 모든 절차 후. 음, PF, RF, 승률과 같은 메트릭을 사용할 수 있습니다. 그래서 내가 이해하는 바와 같이 아름다운 학습 곡선이 IS에 어떤 영향을 미치는지 명확하지 않습니다.
그래프의 첫 번째 1/3 - 훈련에 포함되지 않은 새 데이터
25회 및 100회 반복이 있는 그림은 최대값이 약 70회였지만 100회에서 개선되었음을 보여줍니다.다음과 같은 질문이 있습니다.
2개의 모델이 사용됩니다. 하나는 매수 또는 매도를 예측하고 다른 하나는 거래 여부를 예측합니다.
먼저 첫 번째 것이 훈련된 다음 예측이 잘 안되는 곳을 보고 이러한 예를 "거래 안함"으로 표시하고 나머지는 "거래"로 표시하고 이에 대한 두 번째 모델을 훈련합니다.
첫 번째 모델은 훈련 사이트뿐만 아니라 추가 모델에서도 테스트되고 두 번째 모델은 두 사이트에서 모두 훈련됩니다.
이를 여러 번 반복하여 동일한 데이터 세트에서 두 모델을 재교육합니다. 결과는 샘플에 대해 점차적으로 향상됩니다. 그러나 항상 대조 샘플에 있는 것은 아닙니다.
이와 병행하여 불량 거래의 로그는 모든 패스에 걸쳐 누적된 상태로 유지되고 "거래 안함"에 대한 모든 "불량" 거래는 두 번째 모델을 훈련하기 위해 여기에 수집되고 더 많은 사본과 같은 몇 가지 원칙에 따라 필터링됩니다. 모든 패스에 대해 나쁜 거래가 있을수록 "거래 안 함"으로 표시할 확률이 높아집니다.
예를 들어, 모든 교육 반복에 대한 각 날짜에 대해 특정 수의 불량 거래가 누적되었으며 이 수가 임계값(평균, 평균)을 초과하는 경우 해당 거래는 "거래 안함"으로 레이블이 지정됩니다. 나머지는 건너뜁니다. 그렇지 않으면 훈련 반복이 많은 경우 모든 트랜잭션을 제외할 수 있습니다.
계수를 사용하면 출구에서 트랜잭션 수 를 조정할 수 있습니다. 낮을수록 더 많은 트랜잭션이 필터링됩니다.
...이 시점에서 나는 이미 쓰기에 지쳤습니다 ...
새로운 독립 사이트에서 결과를 개선하기 위해 이러한 모델 조합을 어떻게 개선할 수 있습니까?
이것이 작동할 수 있는 어떤 철학이 있습니까? 모델이 각 라운드의 재교육에서 자연스럽게 서로를 향상시킨다는 사실(오류가 떨어짐)을 제외하고는 적합성을 제거하는 방법은 무엇입니까?
삽화. 차트는 3부분으로 나뉩니다. 후자에서는 첫 번째 모델이 훈련되고, 끝에서 두 번째, 마지막에서 두 번째, 첫 번째 세 번째 모델은 검사 샘플입니다. 당연히 마지막 섹션이 가장 좋고 처음 세 번째 섹션이 가장 나쁩니다.
잘못된 거래 로그를 사용하여 두 모델을 모두 15번 반복했습니다.
평범한 Multi-Label Classificaton처럼 보입니다. 모델 조합을 다양화할 필요는 없지만 예측 변수의 조합입니다. 우선 예측 변수를 스마트 및 소매 작업의 기능으로 나누는 것입니다. 결국, 물론입니다. , 서로 반대되는 신호가있을 것이지만 여기에 포인트 (임시) OTF 진입 (레벨을 깨기위한) - 이미 모델 선택을위한 Edge (시장에서 dtf 또는 otf action'a) ... IMHO
===========
또는 마크업 없이, 하지만 포그 게이트 기능이 있는 LSTM 만 있으면 나중에 2개 모델에서 별도로 필터링하지 않아도 됩니다. 하지만 이것은 모두 취향의 문제입니다...
나는 IBM에 대한 회귀를 얻었습니다(2021년 말의 테스트 데이터 - 가격 차트의 오른쪽 꼬리가 기차 및 테스트 차트에 표시됨)... 간단한 방법으로 Close...
- 진부한 MA가 밝혀졌습니다. - 그리고 항상 그렇듯이 이 경우에는 (적어도) 추세에 따라 작동하지만 플랫에서는 그렇지 않습니다. - 스마트 및 소매 행동에 대한 추가 필터링도 추가해야 합니다(모델 변경 입력과 출력으로 분류) ...
평범한 Multi-Label Classificaton처럼 보입니다. 모델 조합을 다양화할 필요는 없지만 예측 변수의 조합입니다. 우선 예측 변수를 스마트 및 소매 작업의 기능으로 나누는 것입니다. 결국, 물론입니다. , 서로 반대되는 신호가있을 것이지만 여기에 포인트 (임시) OTF 진입 (레벨을 깨기위한) - 이미 모델 선택을위한 Edge (시장에서 dtf 또는 otf action'a) ... IMHO
===========
또는 마크업 없이, 하지만 LSTM 만 있고 레이어를 잊어버리면 나중에 2개 모델에서 별도로 필터링하지 않아도 됩니다. 하지만 이것은 모두 취향의 문제입니다...
나는 IBM에 대한 회귀를 얻었습니다(2021년 말의 테스트 데이터 - 가격 차트의 오른쪽 꼬리가 기차 및 테스트 차트에 표시됨)... 닫기에 대한 간단한 방법으로... - 진부한 MA가 밝혀졌습니다. - 그리고 이 경우 항상 그렇듯이 추세에서는 (적어도 어떻게든) 작동할 것이고 평면에서는 작동하지 않을 것입니다 - 또한 스마트 및 소매 행동에 대한 추가 필터링이 추가되어야 합니다(모델은 입력 및 출력으로 분류하도록 변환되어야 함) ...
멀티 레이블이 아니라 다른 의미를 가지고 있습니다. 나쁜 신호는 반복적으로 제거되고, 일반 더미에서 메인 모델에 의해 잘 예측된 신호는 남겨지고, 두 번째 모델은 좋은 것과 나쁜 것을 분리하고, 첫 번째의 거래를 금지하거나 허용하는 방법을 학습합니다.
lstm을 사용하면 항상 MA로 표시되며 오래 전에 확인되었습니다.