Discusión sobre el artículo "Los bosques aleatorios predicen las tendencias" - página 3
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
¿En este momento es rentable?
El ejemplo del artículo es demostrativo, valga la redundancia.
Si hablamos de bosques aleatorios en particular y de la aplicación de modelos de aprendizaje automático en general (las redes neuronales pertenecen a esta clase de algoritmos), son ampliamente utilizados en trading.
PS. En el foro hay muchos partidarios de las NS. Así que estos no son los algoritmos más eficientes para el trading. Los bosques aleatorios son mucho más eficientes.
El ejemplo del artículo es de carácter demostrativo, extremadamente redundante.
Si hablamos de bosques aleatorios en particular y de la aplicación de modelos de aprendizaje automático en general (las redes neuronales pertenecen a esta clase de algoritmos), son ampliamente utilizados en el trading.
PS. En el foro hay muchos partidarios de las NS. Así que estos no son los algoritmos más eficientes para el trading. Los bosques aleatorios son mucho más eficaces.
¿Dónde has estado?
¿Hace tiempo que no sé nada de ti?
¿Dónde has estado?
¿Hace tiempo que no sé nada de ti?
¿Tiene algún enlace a material más detallado?
¿Tiene enlaces a material más detallado?
Hay mucha bibliografía sobre este tema, sobre todo en inglés.
He escrito un libro, "Predicting Trends", en el que se tratan los problemas de clasificación con mucho más detalle que en el artículo. El libro contiene traducciones literales de documentación técnica (alrededor del 30%), ejemplos de uso de modelos de clasificación en el mercado Forex (alrededor del 20% del texto) y la explicación de la ideología de la construcción de modelos de clasificación. También describe la secuencia de pasos para construir un Asesor Experto basado en modelos de clasificación.
Más detalles en el archivo adjunto.
PD. El libro tiene una lista bastante extensa de literatura sobre el tema.
vlad19492014.11.23 15:
¡Querido Vlad!
Todos los argumentos sobre la eficiencia de los algoritmos de aprendizaje automático tienen sentido bajo una condición: el modelo no está reentrenado. En mi práctica, es muy difícil conseguir un modelo no reentrenado. en concreto en este trabajo, se trata de un modelo sobreentrenado.
El sobreentrenamiento del modelo surge a causa de un conjunto erróneo de predictores, todo el perro está enterrado en ellos. Por lo tanto, todos los esfuerzos deben dirigirse a la selección de predictores y después al modelo.
Me parece que he conseguido encontrar indicios formales de la idoneidad de los predictores para una variable objetivo concreta. Si le interesa, estaré encantado de discutirlo en privado.
vlad19492014.11.23 15:
¡Querido Vlad!
Todos los argumentos sobre la eficiencia de los algoritmos de aprendizaje automático tienen sentido bajo una condición: el modelo no está reentrenado. En mi práctica, es muy difícil conseguir un modelo no reentrenado. en concreto en este trabajo, se trata de un modelo sobreentrenado.
El sobreentrenamiento del modelo surge a causa de un conjunto erróneo de predictores, todo el perro está enterrado en ellos. Por lo tanto, todos los esfuerzos deben dirigirse a la selección de predictores y después al modelo.
Me parece que he conseguido encontrar indicios formales de la idoneidad de los predictores para una variable objetivo concreta. Si le interesa, estaré encantado de discutirlo en privado.
ттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттттт
Por supuesto que me interesa. Escriba a
vlad19492014.11.23 15:
http://a ppliedpredictivemodeling.com/blog/2014/11/11/some-thoughts-on-do-we-need-hundreds-of-classifiers-to-solve-real-world-classification-problems
Publiqué este enlace con anotación en mi blog. A nadie le interesó. Aquí está el artículo en sí
El sobreentrenamiento del modelo se produce porque el conjunto de predictores es incorrecto, todo el perro se entierra en ellos. Por lo tanto, todos los esfuerzos deben dirigirse a la selección de predictores y después al modelo.
El modelo y la selección de predictores están interrelacionados. En primer lugar, hay que seleccionar un modelo y, a continuación, seleccionar los predictores basados en este modelo, cribando mediante el mismo los predictores que tengan menos "utilidad" en la predicción. Aunque muchos artículos y libros de texto enseñan lo contrario: primero seleccionamos los predictores utilizando algún método de cálculo de la relación entre estos predictores y la serie objetivo: la salida. Los métodos de selección más comunes son el coeficiente de correlación entre los predictores y la salida y la información mutua. A continuación, se selecciona un modelo que, por lo general, no guarda relación con la forma en que se seleccionaron los predictores. Si lo piensa (y los libros de texto de econometría no se lo dirán, tendrá que pensar por sí mismo), el método de selección de predictores por coeficiente de correlación con la salida selecciona esencialmente aquellos predictores que tendrán el menor error en un modelo de regresión lineal (CRL). El método de selección de predictores por su información mutua con la salida selecciona esencialmente aquellos predictores que darán el menor error en el modelo basado en la regresión de Nadaraya-Watson (nombre abstruso GRNN).