Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 369
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
Por cierto, he comprobado la correlación con periodos de 10 a 60 (6 piezas) en el gráfico M1 del EURUSD, hacia la salida (no tengo zigzag, pero sí algo parecido).
-0.00,0.01,0.00,0.01,0.01,-0.01
La correlación es de -0,01 a 0,01, es decir, no hay ninguna correlación.
Sin embargo, su Asesor Experto muestra beneficios. Hay que colocar manualmente las operaciones mirando el trendlinearre e inventando algunas reglas basadas en los movimientos del gráfico. Creo que es mucho más fácil escribir un EA ordinario que funcione según estas reglas.
Pues bien, ahora en la salida alimenta los incrementos de la misma regresión según ciertas reglas, con un offset, o varias regresiones (varias salidas)... y la correlación será normal. Y aporta más regresiones con diferentes periodos. MLP construirá un modelo de regresión genial dentro de sí mismo, como garch, y todo estará bien :) Pero, en general, se necesita una red neuronal más avanzada, LSTM, por ejemplo.
la mía muestra beneficios porque se ejecuta a través de optimizador, es resultados sucios :) se puede decir que el ajuste, que no funcionará mucho tiempo en adelante (así períodos)
Al fin y al cabo, en el gráfico, aparte de los puntos obtenidos con el zigzag (u otro método), hay decenas de momentos/barras en los que las operaciones serán rentables. Pero NS intenta corregir el comercio utilizando sólo esta variante de aprendizaje.
Y el ejemplo con trendlinearreg lo muestra muy bien.
Me parece que encontrar el marcado de destino adecuado es incluso más problemático que encontrar buenas entradas.
Después de todo, hay docenas de puntos/barras en el gráfico, además de los puntos obtenidos del zigzag (u otro método), cuando las operaciones serán rentables. Pero NS intenta corregir el comercio utilizando sólo esta variante de aprendizaje.
Esto se ve claramente en el ejemplo de trendlinearreg.
Por lo tanto, las SN deben utilizarse como parte de un sistema, un filtro o un conjunto de diferentes SN
Todas las MO se basan en el hecho de que las variables de entrada deben estar correlacionadas con la variable de salida.
De lo contrario, no tienen sentido todos los modelos de MO.
Estás muy equivocado. La correlación es sólo LINEAL dependencia, y = kx, incluso un conjunto de datos XOR trivial dará una correlación nula de las características individuales con un objetivo, sin embargo para un clasificador no lineal fácilmente solucionable.
Tres veces he leído ESTO - es difícil entender estos desechos....
¿Y qué?
Puedo tomar una regresión múltiple en la que una o más (parte de) las variables de entrada tendrán una correlación con la salida cercana a 0 y, sin embargo, el modelo dará una alta precisión de predicción.
¿Y qué?
Si se eliminan estas variables, la dimensionalidad del problema disminuirá y la precisión aumentará.
¿Y qué?
¿Cuál es el objetivo de su mensaje?
La cuestión de descartar las variables "innecesarias" resuelve el problema de reducir la dimensionalidad del modelo.
Para DM también aumenta la precisión de la predicción del modelo.
Para NS en cuanto a la precisión, no lo sé.
Lea ESTO tres veces - entienda estos retazos con dificultad....
¿Y qué?
Puedo tomar una regresión múltiple en la que una o más (parte de) las variables de entrada tendrán una correlación con la variable de salida cercana a 0 y, sin embargo, el modelo dará una alta precisión de predicción.
¿Y qué?
Si se eliminan estas variables, la dimensionalidad del problema disminuirá y la precisión aumentará.
¿Y qué?
¿Cuál es el objetivo de tu post?
chee, chee... ¡Uy! ¡No puede ser!...
Deje de revisar señor, no estamos en un sótano))))
Has dicho que las fichas deben correlacionarse con el objetivo, las que no estén correlacionadas pueden ser desechadas, te digo que eso no es cierto, coge XOR y compruébalo, no habrá correlación y las fichas son importantes porque la relación NO ES LINEAL, eso es todo, la correlación sólo capta la componente lineal de la relación.
que, que... ¡Uy! ¡No puede ser!...
Deje de comprobar señor, no estamos en un sótano))))
Has dicho que las fichas deben correlacionarse con el objetivo, las que no se correlacionan se pueden descartar, te digo que eso no es cierto, coge XOR y compruébalo, no habrá correlación y las fichas son importantes porque la relación NO ES LINEAL, eso es todo, la correlación sólo capta el componente lineal de la relación.
Dame un ejemplo en el que la correlación lineal sea 0 y la dependencia no lineal sea fuerte.
Dame un ejemplo en el que la correlación lineal sea 0 y la relación no lineal sea fuerte.
He dicho conjunto de datos XOR
He dicho conjunto de datos XOR
¿Tiene algún ejemplo?
Mostrar filas de datos entrantes y filas de datos salientes - publicar