Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1292
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
Los volúmenes ayudan a predecir el cambio de estado de tendencia a plano pero no "sin dificultad", en general la predicción del estado "tendencia/plano" no es mucho más precisa que la dirección del siguiente incremento, por unidad de tiempo, en torno al 57% de precisión, lo que decían unas cifras increíbles, claramente fruto de un error.
¿cuáles son esos números?
Después de todo, el aprendizaje automático es un negocio extraño e impredecible. Siguiendo con el trabajo de depuración con CatBoost, he conseguido un modelo que funciona así (entrenamiento+prueba+examen)
Tal vez no sean muchos tratos (346) desde 2014-2019 pero son 1299 detracciones para todo el tiempo que es menos del 10%. Por supuesto, hubo una fuerte subida en 2014, que puede que no se repita, pero después es bastante suave.
A continuación se muestra un gráfico sólo en la muestra del examen (condicional, ya que la muestra es más pequeña que esta prueba)
Pero no sólo estoy mostrando gráficos, esto no es raro aquí, y quiero decir que me sorprendió mucho cuando miré el contenido del modelo - ¡sólo 4 predictores de 38 se utilizan allí!
TimeH - tiempo en horas
DonProcVisota_M15 - Anchura relativa del canal de Donchian en M15
LastBarPeresekD_Down_M15 - Número de barras desde la última vez que se cruzó el canal Donchian
BB_PeresekN_Total_M1 - Número de veces que el precio ha cruzado los niveles de iDelta durante las últimas x barras
Por supuesto, tengo un gran número de predictores en mi muestra, los fracciono y luego los sorteo, y todo se ajusta a mi teoría de que dividir una muestra por la codicia no siempre es eficaz, es sólo un método que no garantiza nada.
Este es el tipo de modelo que quiero coleccionar y poner en común.
Después de todo, el aprendizaje automático es un negocio extraño e impredecible. Siguiendo con el trabajo de depuración con CatBoost, he conseguido un modelo que funciona así (entrenamiento+prueba+examen)
Tal vez no hay muchas operaciones (346) desde 2014-2019, pero tengo 1299 drawdown para todo el tiempo que es menos del 10%. Por supuesto, hubo una fuerte subida en 2014, que puede que no se repita, pero después es bastante suave.
A continuación se muestra un gráfico sólo en la muestra del examen (condicional, ya que la muestra es más pequeña que esta prueba)
Pero no sólo estoy mostrando gráficos, esto no es raro aquí, y quiero decir que me sorprendió mucho cuando miré el contenido del modelo - ¡sólo 4 predictores de 38 se utilizan allí!
TimeH - tiempo en horas
DonProcVisota_M15 - anchura relativa del canal de Donchian en M15
LastBarPeresekD_Down_M15 - Número de barras desde la última vez que se cruzó el canal Donchian
BB_PeresekN_Total_M1 - Número de veces que el precio ha cruzado los niveles de iDelta durante las últimas x barras
Por supuesto, tengo un gran número de predictores en mi muestra, los fracciono y luego los sorteo, y todo se ajusta a mi teoría de que dividir una muestra por la codicia no siempre es eficaz, es sólo un método que no garantiza nada.
Ese es el tipo de modelo que quiero coleccionar y poner en común.
¿Actuar en las aceras es qué? Yandex sólo habla de la distribución de torrents.
Como es de esperar, la mayoría de los predictores son en realidad ruido o están correlacionados entre sí.
¿De lado es qué? Yandex sólo habla de la distribución de torrents.
La idea no es que sean ruido, sino que algunos predictores se superponen a otros: las relaciones que se forman son importantes y hay que generarlas.
Sideways, esto es por supuesto un término que inventé para mí - aplico la bandera--random-seed con un valor numérico específico. Es cierto que no sé qué rangos tiene este valor, pero veo que tiene un efecto significativo en el aprendizaje, y esta aleatoriedad controlada me viene bien.
Sentarse, por supuesto, es un término que inventé para mí mismo - aplico la bandera--random-seed con un valor numérico específico. Aunque no sé qué rangos tiene este valor, pero veo que tiene un efecto significativo en el aprendizaje, y esta aleatoriedad controlada me viene bien.
Preferiblemente, no debería afectar demasiado al resultado. De lo contrario, se obtiene un ajuste a una aleatoriedad particular. Es decir, aparece otra característica (que afecta significativamente), que debe ser optimizada.
¿qué tipo de números?
Creo haber visto a alguien más arriba que decía que las tendencias/planos se predicen casi en un 90%, el nieto o aprendiz de alguien creo que dijo.
Creo haber visto a alguien más arriba que decía que las tendencias/planos se predicen en casi un 90%, el nieto o aprendiz de alguien lo dijo
creo que vi a alguien más arriba diciendo que las tendencias/flotaciones se predicen en casi un 90%, el nieto o aprendiz de alguien creo que dijo
¡Ah!
Bueno, si no hay ticks, el mercado probablemente está en un plano, 100%.
y si hay muchas garrapatas, no es un pisoFijación de la aleatoriedad. Esto se suele utilizar para la reproducibilidad de los resultados en los reinicios.
Preferiblemente no debería afectar demasiado al resultado. De lo contrario, se obtiene un ajuste a una aleatoriedad particular. Es decir, aparece otra característica (que afecta significativamente), que debe ser optimizada.
Sí, lo necesito para reproducir el resultado después y para generar resultados en general.
No está del todo claro cómo funciona, entiendo que este parámetro es el responsable de la aleatoriedad de los resultados de la división al seleccionar la mejor opción, pero no encuentro los detalles en ningún sitio.
Y sobre el ajuste... Tenemos que asumir que todo es un ajuste potencial, y sólo podemos comprobar la estabilidad de las conexiones a lo largo del tiempo y controlar la eficacia de esas conexiones, por ejemplo, ese modelo consta de 4 árboles, cada uno de los cuales es también 4 profundo, es decir, debido al pequeño número de combinaciones el ajuste aquí es muy eficaz, y por lo tanto puede ser algún tipo de patrón, no sólo una descripción de la muestra.