Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1439
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
realistischerweise das ganze TS unter catbust neu zu schreiben, um es zu versuchen... das ist auch eine Menge Ärger. Aber die Tatsache ist, das Lernen auf kleinen Datensätzen Wald verallgemeinert gut und funktioniert, zum Beispiel auf 2-5k Proben, die Erhöhung nur 2 mal, auf die gleichen Daten, vollständige Umschulung. Das ist eine Tatsache.Ich habe kurze Datensätze ausprobiert, es gibt Wochen mit 30% Fehler und die nächste Woche mit 60-70% Fehler. Das ergibt einen Durchschnitt von 50 %.
Kurze Datensätze ausprobiert, manchmal eine Woche mit einem Fehler von 30% und die nächste 60-70%. Das sind im Durchschnitt 50 %.
Wenn ich zum Beispiel einen Monat lang trainiere, funktioniert es mit neuen Daten fast genauso gut für ein Jahr. Ich trainiere seit 2-3 Monaten - es funktioniert nicht mehr... so ein Quatsch.
und die Modellfehler sind die gleichenWenn ich zum Beispiel einen Monat lang trainiere, funktioniert es mit neuen Daten fast genauso gut für ein Jahr. Ich trainiere seit 2-3 Monaten - es funktioniert nicht mehr... so ein Quatsch
Sind diese Ergebnisse in Ihrem selbstlernenden System enthalten?
Ja, darauf, mit einigen Tricks. Eine davon werde ich Ihnen verraten: Fügen Sie dem Modell Zwischenproben hinzu. Zum Beispiel gab es ein Signal, um einen Kauf Handel zu öffnen, solange es offen ist, auf jeder neuen Bar fügen Sie eine weitere Probe mit dem gleichen Kauf Marke, mit neuen Messwerten von Chips, bzw.. Dadurch wird der Fehler erheblich reduziert. Eine Art Vervielfältigung von Proben.
Bei einigen Modellen wird der Fehler dadurch vielleicht nicht verringert, bei meinem Modell jedoch schon.Ja, darauf, mit einigen Tricks. Eine davon werde ich Ihnen verraten: Fügen Sie dem Modell Zwischenproben hinzu. Zum Beispiel gab es ein Signal, um einen Kauf Handel zu öffnen, solange es offen ist, auf jeder neuen Bar fügen Sie eine weitere Probe mit dem gleichen Kauf Marke, mit neuen Messwerten von Chips, bzw.. Dadurch wird der Fehler erheblich reduziert. Eine Art Vervielfältigung von Proben.
Mit diesem Trick können Sie mehr Varianten testen.
Nun, es ist eine Art Zielabgleich beim ersten Durchlauf. Der Rest der Zyklen besteht im Wesentlichen aus dem Lernen mit dem Lehrer aus dem ersten Durchgang.
Mit diesem Trick können Sie mehr Varianten testen.
Ich verstehe das nicht wirklich. Vielmehr handelt es sich um eine Verdoppelung der Proben. Normalerweise füttert man nur die Kauf- und Verkaufssignale, ohne sich darum zu kümmern, wie sich der Markt zwischen diesen Signalen verhält. Wenn Sie zwischenzeitlich unterstützende Stichproben hinzufügen, klassifiziert das Modell automatisch besser.
Wenn ich zum Beispiel 1000 Samplesignale habe, dann sind es zusammen mit den Zwischenverstärkungen 5k oder mehrBeim Pruning muss die Vollständigkeit kontrolliert werden, d. h. es muss ein Stichprobenumfang von mindestens 0,5-1 % erreicht werden.
Was? einfach empirisch auf die richtige Tiefe abschneiden.
die Vollständigkeit von was? einfach empirisch in der richtigen Tiefe abschneiden
Die Liste sollte mindestens einen bestimmten Prozentsatz an Beispielen aus der Stichprobe enthalten, bei weniger werden die Splits abgeschnitten. Je mehr Beispiele, desto wahrscheinlicher die Regelmäßigkeit - hier ist alles ganz einfach.
Ja, darauf, mit einigen Tricks. Eine davon werde ich Ihnen verraten: Fügen Sie dem Modell Zwischenproben hinzu. Zum Beispiel gab es ein Signal, um einen Kauf Handel zu öffnen, solange es offen ist, auf jeder neuen Bar fügen Sie eine weitere Probe mit dem gleichen Kauf Marke, mit neuen Messwerten von Chips, bzw.. Dadurch wird der Fehler erheblich reduziert. Eine Art Vervielfältigung von Proben.
Vielleicht wird der Fehler bei einigen Modellen nicht reduziert, aber bei meinem Modell wird er stark reduziert.Ich habe mit diesem Ansatz begonnen, aber im Gegenteil, ich habe versucht, eine glatte Kurve für die korrekte Klassifizierung vom Eintrittspunkt bis zum Austrittspunkt zu finden, aber mein Ansatz erfordert eine Menge Rechenleistung - daher musste ich ihn aufgeben. Bei Ihnen ist es umgekehrt, das ist interessant, da gibt es Potenzial für einen Gegentrend... Ich überlege gerade, wie ich etwas Ähnliches wie MO einführen kann, das bei meinen Signalen funktioniert - ich weiß nicht, wie man trainiert, aber es gibt offensichtlich ein gewisses Potenzial.
Ich verstehe das nicht wirklich. Vielmehr handelt es sich um eine Verdoppelung der Proben. Normalerweise füttert man nur die Kauf- und Verkaufssignale, ohne sich darum zu kümmern, wie sich der Markt zwischen diesen Signalen verhält. Wenn man dazwischenliegende unterstützende Proben hinzufügt, klassifiziert das Modell besser.
Wenn ich zum Beispiel 1000 Samples-Signale habe, dann sind es zusammen mit der Zwischenunterstützung 5k oder mehr.Ich habe es auch bemerkt und angewandt, aber soweit ich es verstanden habe, funktioniert es, weil die Daten Mist sind, und ein solcher Trick hilft, auf einer Reihe von Ausreißern zu trainieren. Wenn Sie das nicht tun, passt das Modell zu einem Broker oder funktioniert sogar manchmal nicht mehr, nachdem einige Daten auf demselben Terminal neu geladen wurden.