Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2591
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
Ja, dementsprechend ist es möglich, ihn wie einen normalen Bot im MT5 zu testen und zu optimieren, indem man Parameter extern ausprobiert. Bei Stäben wird es schnell getestet, aber bei Zecken kann es zu Verzögerungen kommen, da die Bäume lange Zeit selbständig bewertet werden.
Nun, nach dem Hinzufügen von ML will man nichts mehr optimieren. Der Wind der Überanpassung weht von dieser Seite). Wenn die Geschwindigkeiten jedoch normal sind, können Sie es zumindest versuchen. Im Allgemeinen, ja, weil der nicht die beste Integration-Geschwindigkeit Ich habe wenig Aufmerksamkeit auf Händler Add-on über ML bezahlt, wenn so integriert und in Tester bedingt-native ist es möglich, zu testen und normale Geschwindigkeiten, es öffnet sicherlich zusätzliche Horizonte der Möglichkeiten.
Und im Allgemeinen ist eine höhere Geschwindigkeit (im Vergleich zu meiner Lösung, ich denke, es wird einen normalen Geschwindigkeitsunterschied geben) immer gut - sowohl bei einer großen Anzahl von Robotern als auch bei kleinen Zeitrahmen, bei denen die Geschwindigkeit wichtiger ist.
Im Parameterraum des Modells? Sie hat eine große Dimensionalität. Dies ist nur bei sehr einfachen Modellen mit einer geringen Anzahl von Prädiktoren möglich.
Es ist nicht ganz klar, wie es möglich ist, eine Oberfläche in einem Raum mit großer Dimensionalität zu erstellen. Wir haben einfach sehr wenige Punkte im Vergleich zu dieser Dimensionalität. Es sei denn, es handelt sich um eine Visualisierung nach unten, wie z. B. PCA usw., aber der Punkt ist unklar.
Es ist alles durcheinandergeraten.
Von welchen Modellparametern ist hier die Rede?
Wenn das Modell etwas aus MO ist, ist das eine Sache, wenn das Modell ein EA in einem Tester ist, ist das etwas ganz anderes.
Bei Modellen, die im Tester optimiert werden, geht es in der Regel um nichts. Nehmen wir zum Beispiel ein Abschleppfahrzeug und wählen einen Zeitraum aus und erhalten eine Reihe von Ergebnissen. Wenn es viele solcher "Assistenten" mit ihren eigenen Parametern gibt, erhalten wir als Ergebnis keine glatten Oberflächen, sondern wir wählen zufällige Spitzen, die in der Zukunft zusammenfallen können. Warum? Für mich liegt die Antwort auf der Hand: Die Parameter dieser "Wipes" sind für die Leistung des Modells NICHT relevant, es handelt sich lediglich um Rauschen.
Eine andere Sache ist, wenn die Modellparameter in MO ein Satz von Prädiktoren sind, dann kann das Problem sinnvoll gestellt werden: hat der Prädiktor/kein Prädiktor einen Bezug zum ERGEBNIS der Simulation oder nicht. Wenn ja, was hat das mit dem ERGEBNIS der Modellierung zu tun? Die Situation ist ähnlich, wenn wir Modelle wählen: RF, Neuronen oder etwas anderes .....
Es ist alles durcheinandergeraten.
Von welchen Modellparametern ist hier die Rede?
Wenn das Modell etwas aus MO ist, ist das eine Sache, wenn das Modell ein EA im Tester ist, ist das eine ganz andere.
Bei Modellen, die im Tester optimiert werden, geht es in der Regel um nichts. Nehmen wir zum Beispiel ein Abschleppfahrzeug und wählen einen Zeitraum aus und erhalten eine Reihe von Ergebnissen. Wenn es viele solcher "Assistenten" mit ihren eigenen Parametern gibt, erhalten wir als Ergebnis keine glatten Oberflächen, sondern wir wählen zufällige Spitzen, die in der Zukunft zusammenfallen können. Und warum? Für mich liegt die Antwort auf der Hand: Die Parameter dieser "Wipes" sind für die Leistung des Modells NICHT relevant, es handelt sich lediglich um Rauschen.
Eine andere Sache ist, wenn die Modellparameter in MO ein Satz von Prädiktoren sind, dann kann das Problem auf eine sinnvolle Weise gestellt werden: hat der Prädiktor/kein Prädiktor einen Bezug zum ERGEBNIS der Simulation oder nicht. Die Situation ist ähnlich, wenn wir uns für ein Modell entscheiden: RF, Neuronik oder etwas anderes .....
In der Tat, es passt alles zusammen. Parameter sind Parameter, Prädiktoren sind Prädiktoren. In Ihrem Beispiel mit den Dummies sind die Parameter die Perioden und die Prädiktoren die Werte dieser Dummies. Für eine oder zwei Kugeln ist es nicht schwierig, die benötigte Oberfläche zu erstellen, aber für Hunderte von Kugeln geht der Sinn aufgrund der wachsenden Dimensionalität der Prädiktoren und Parameterräume bereits vollständig verloren.
Ich sehe keinen grundsätzlichen Unterschied zwischen Modellen im Tester und in MO-Paketen - der Unterschied ist lediglich technischer Natur (Fähigkeiten der verwendeten Software).
In der Tat, es ist alles durcheinandergeraten. Parameter sind Parameter, Prädiktoren sind Prädiktoren. In Ihrem Beispiel mit den Dummies: Die Parameter sind die Perioden, und die Prädiktoren sind die Werte dieser Dummies. Für eine oder zwei Kugeln ist es nicht schwierig, die erforderliche Oberfläche zu erstellen, aber für Hunderte von Kugeln geht die Bedeutung bereits aufgrund der wachsenden Dimensionalität der Prädiktoren und Parameterräume vollständig verloren.
Ich sehe keinen grundsätzlichen Unterschied zwischen Modellen im Tester und in MO-Paketen - der Unterschied ist lediglich technischer Natur (Fähigkeiten der verwendeten Software).
Ich möchte mich nicht einmischen, aber nur eine Bemerkung über Hunderte oder andere MA ... es gibt eine Grenze für ihre vernünftige Anzahl und sie ist nicht größer als 1,386*ln(N) (wobei N die gesamte beobachtete Geschichte ist)
Auch die Optimierung der Oberflächenanalyse ist ein zweischneidiges Schwert. Und das Erreichen eines Plateaus garantiert nichts, auch wenn es eine vorübergehende Inspiration ist, bis man merkt, dass es Zeit ist, in die Fabrik zu gehen.
Göttliche Kritik
Versuchen :)
Ich wünschte, ich würde den Unterschied zwischen einem "Plateau" und einem globalen Minimum verstehen