Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1638
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
Una explicación demasiado corta.
No está claro si 1 predictor está fuera dividido en varios y alimentado ya como 5 predictores. Más bien se sigue haciendo internamente como valores de división precalculados. Y se dividen por sectores.
Estoy de acuerdo en que esto es más eficiente que la media división en el algoritmo de árbol clásico.
¿Qué quiere decir con exterior o interior? Según tengo entendido, toman un predictor y tratan de dividir sus indicadores en segmentos para conservar un número suficiente de activaciones y dar a cada segmento cierto poder predictivo, para ello se utilizan diferentes métodos - con un paso determinado o con una unión lineal de pequeños pasos (para simplificarlo), se obtienen dichas celdas con rangos. Cuando se construyen todos los árboles en el entrenamiento, sólo se utilizan conjuntos de dichas celdas. Pero, no es exacto :)
Yo, en cambio, intento combinar estas células en una sola. Al ver este post de ayer, se menciona que hacen algo similar para los predictores categóricos.
En mi caso existe el riesgo de sobreentrenamiento - lo probaré en una muestra un poco más tarde, cuando los modelos estén listos, y haré una muestra al mismo tiempo para probarlo.
Es bastante desconcertante que el problema de la no estacionariedad se ignore casi por completo en este hilo. Por alguna razón, se supone que los patrones encontrados en el pasado funcionarán en el futuro, y si no funcionan, es que se ha producido un sobreaprendizaje. Pero es muy posible que algunas pautas dejen de funcionar con el tiempo, de forma gradual o incluso a pasos agigantados (por ejemplo, como resultado de una crisis como la actual).
El problema que veo es que los patrones IO son complejos y mal interpretados por los humanos. Si empiezan a tener un mal rendimiento, es imposible distinguir (dentro de los modelos) la variante de sobreaprendizaje de la variante de no estacionariedad. En el análisis convencional siempre se puede decir: "cambio de tendencia", "ruptura de nivel/canal", etc.
Con una señora así, lo más probable es que tenga que lavar su ropa y comer sus comidas :)
Depende de cómo la frían. Una mujer exprimida cocina mejor :-)
No te vas a librar de la poesía con una señora así, tendrás que aprender matemáticas a nivel de MGO)
Es bastante desconcertante que el problema de la no estacionariedad se ignore casi por completo en este hilo. Por alguna razón, se supone que los patrones encontrados en el pasado funcionarán en el futuro, y si no funcionan, es que se ha producido un sobreaprendizaje. Pero es muy posible que algunas pautas dejen de funcionar con el tiempo, de forma gradual o incluso a pasos agigantados (por ejemplo, como resultado de una crisis como la actual).
El problema que veo es que los patrones IO son complejos y mal interpretados por los humanos. Si empiezan a tener un mal rendimiento, es imposible distinguir (dentro de los modelos) la variante de sobreaprendizaje de la variante de no estacionariedad. En el análisis normal siempre se puede decir: "cambio de tendencia", "ruptura de nivel/canal", etc.
Un árbol, por cierto, será muy fácil de interpretar.
Es bastante desconcertante que el problema de la no estacionariedad se ignore casi por completo en este hilo. Por alguna razón, se supone que los patrones encontrados en el pasado funcionarán en el futuro, y si no funcionan, es que se ha producido un sobreaprendizaje. Pero es muy posible que algunas pautas dejen de funcionar con el tiempo, de forma gradual o incluso a pasos agigantados (por ejemplo, como resultado de una crisis como la actual).
El problema que veo es que los patrones IO son complejos y mal interpretados por los humanos. Si empiezan a tener un mal rendimiento, es imposible distinguir (dentro de los modelos) la variante de sobreaprendizaje de la variante de no estacionariedad. En el análisis convencional siempre se puede decir: "cambio de tendencia", "ruptura de nivel/canal", etc.
Estoy totalmente de acuerdo.
Me he preguntado repetidamente sobre esta cuestión, y creo que es necesario comparar los resultados del sistema con su potencial en un área determinada.
Hoy estaba pensando en ello, en cómo hacerlo mejor y de forma más universal. Me imagino que el proceso de aprendizaje consta de varios pasos, el primero de los cuales es el marcado de la muestra, y se puede marcar en base a algunas estrategias de señalización. Estas estrategias deben ser primitivas pero tienen potencial, por ejemplo, el cruce de la MA por el precio genera una señal de entrada en la dirección de dicho cruce o viceversa. Entonces el entrenamiento es sólo una forma de filtrar las señales falsas. Si se acepta esta suposición, podemos calcular en qué medida, en términos porcentuales, es eficaz dicho filtrado en cada intervalo de tiempo. La más sencilla sería calcular la precisión y la exhaustividad de la clasificación en relación con la estrategia básica. Hay otras opciones: las métricas. Entonces podremos ver cómo cambia el rendimiento del modelo, incluso si empieza a perder dinero.
Es bastante desconcertante que el problema de la no estacionariedad se ignore casi por completo en este hilo. Por alguna razón, se supone que los patrones encontrados en el pasado funcionarán en el futuro, y si no funcionan, es que se ha producido un sobreaprendizaje. Pero es muy posible que algunas pautas dejen de funcionar con el tiempo, de forma gradual o incluso a pasos agigantados (por ejemplo, como resultado de una crisis como la actual).
El problema que veo es que los patrones IO son complejos y mal interpretados por los humanos. Si empiezan a tener un mal rendimiento, es imposible distinguir (dentro de los modelos) la variante de sobreaprendizaje de la variante de no estacionariedad. En el análisis convencional siempre se puede decir: "cambio de tendencia", "ruptura de nivel/canal", etc.
Hay práctica. En un mes desde la última formación no he notado ningún cambio, ni siquiera después de que el bitcoin sea fuertemente lavado. Lo único que le afecta es el periodo justo después del movimiento del activo manipulado, durante este periodo la red neuronal está completamente perdida y muestra todo tipo de basura; cuanto más lejos de dicha tormenta más adecuadas se vuelven las predicciones.
#16015- interesante de ver... ¿puedo obtener un enlace a él (el canal) en un mensaje privado?
#23- ¿pudiste crear uno al final?
#16015 - interesante de ver... ¿puedo obtener un enlace a él (el canal) en un mensaje privado?
#23 - ¿lograste crear uno como resultado?
#23- no, utopía, mucho tiempo y esfuerzo, eventualmente en el backtest el bot hace hasta X5 al año en un par, pero en promedio 1 vez al año todo se derrama. En el mercado real este "una vez al año" está destinado a suceder rápidamente, especialmente durante las tormentas como ahora. Ya no creo en los bots totalmente automatizados, simplemente no puede funcionar, el mercado se ajustará y engañará de todos modos)
#16015- Este fue mejor, ahora tenemos un prototipo que funciona.
Neuro estimaciones para BTCUSD los próximos 10-30 minutos, depende de la "confianza" de la red. Cuanto mayor sea la confianza, mayor será la probabilidad de que funcione en torno a los 15 minutos; cuanto menor sea la confianza, más difusa será la predicción. No hay atadura a las velas, la predicción sale cada minuto.
Si descargas Expert para MT5, puedes conseguirlo aquí (para aquellos que descargaron Expert Advisor anteriormente, pueden actualizarlo usando este enlace, hay correcciones de errores disponibles).
Funciona sólo en BTCUSD y sólo en el marco de tiempo M1, lea las instrucciones a continuación.
Según esta visualización, está claro que las predicciones no son todavía las ideales, pero la formación está sólo en una fase inicial, todo está de rodillas. Hay una comprensión de hacia dónde ir a continuación...
No estoy asumiendo... La práctica muestra un error del 1% en el gráfico de entrenamiento y un error del 50% en el nuevo gráfico. Es decir, necesitamos predictores significativos, y podemos entrenar incluso con un solo árbol o alguna regresión.
Un árbol, por cierto, sería muy fácil de interpretar.
Todos los predictores tienden a cambiar su importancia a lo largo del tiempo. No se trata de su inutilidad, sino de buscar constantemente otras nuevas y estar preparado para la pérdida de importancia de las que se encontraron antes.