Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3182
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
Danke, ich werde es mit MathRand-Inkrementen versuchen.
Die universellste Methode ist wahrscheinlich Monte Carlo.
Sieht aus, als hätte ich eine interessante Zufallsgenerierung.
Oben ist ein reales Symbol, unten ein zufälliges.
RandomPrice kann iterativ angewendet werden. Spreads und Zeit werden beibehalten.
Korrekt wäre es, es über den Logarithmus zu machen, aber ich habe mir nicht die Mühe gemacht, das zu tun. Wenn wir es verfeinern, könnte es die beste Option für Monte Carlo sein, um ein Zufallssymbol mit den erforderlichen statistischen Eigenschaften zu erzeugen.
für Monte Carlo ist wahrscheinlich die beste Option zur Erzeugung eines Zufallssymbols mit den gewünschten statistischen Eigenschaften.
Läusetest mit demselben Satz.
Oben - echt, unten - zufällig.
Scheitern.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading
mytarmailS, 2023.08.17 08:42 AM
dein zweiter Schritt, den du "nicht machst" ))
Worin besteht der Unterschied?
Der Unterschied besteht darin, dass in den Optimierungsergebnissen nach nichts gesucht wird. Das heißt, die ersten fünf Optimierungsergebnisse wurden noch nie auf OOS ausgeführt.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading
Valeriy Yastremskiy, 2023.08.17 10:44 AM
Es scheint logisch, dass die Wahrscheinlichkeit falsch positiver und negativer Ergebnisse sinkt, aber für mich ist das kein Allheilmittel gegen Fehler.
Glauben Sie, dass Sie dem Modell train_optim + test_forward mehr vertrauen sollten als (train+test)_optim?
Es gibt keinen Fehler. Kein Fehler.
Ich habe eine weitere Stichprobe genommen - 47% der Einheiten und Beispiele 5 mal weniger - nach ein paar Durchläufen kann ich sagen, dass es bereits viele Quantensegmente findet.
Was ich noch beachtet habe, ist die Ähnlichkeit des ursprünglichen Ziels und des generierten Ziels - sie sind 49% ähnlich - vielleicht ist es notwendig, hier einen Schwellenwert zu setzen - nicht mehr als 30% Ähnlichkeit? Irgendeine Idee?
Ich habe ein Diagramm erstellt - wenn es eine Übereinstimmung gibt "-1", wenn es keine Übereinstimmung gibt, dann "+1", ich habe eine solche Bilanz.
Es gibt viele Trends, was denken Sie?
Oben ist echt, unten ist zufällig.
Ich habe die Optimierung mit den gleichen Einstellungen für das reale und das generierte Symbol durchgeführt.
Real.
Zufällig.
Es ist nicht auf Random trainiert.
Habe eine Optimierung mit den gleichen Einstellungen für den echten und den generierten Charakter durchgeführt.
Real.
Zufällig.
Nicht auf Random trainiert.
Der Unterschied besteht darin, dass in den Optimierungsergebnissen nach nichts gesucht wird. D.h. die ersten fünf Optimierungsergebnisse wurden noch nie auf OOS ausgeführt.
Habe eine Optimierung mit den gleichen Einstellungen für den echten und den generierten Charakter durchgeführt.
Real.
Zufällig.
Es ist nicht auf Random trainiert.
Maxim Dmitrievsky #:
Сколько раз был сгенерирован рандом символ?)
Erstens.
es liegt auf der Hand, dass je länger die Sequenz ist, desto mehr Male muss sie erzeugt werden, um sie auch zu bearbeiten.
Ich verstehe diese Aussage nicht. Was ist mit den beiden folgenden Optionen gemeint?
Scheinbar einfache Dinge, denn selbst bei verschiedenen realen Symbolen funktioniert der gleiche TC nicht.
Der Algorithmus der Randomisierung sieht wie folgt aus: