Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2594
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
La crítica de Dios otra vez
Está tanto en la frente como en la cabeza.
Usted hace un punto, no esta mierda - que va a trabajar, porque no va a funcionar
Ya veo, incluso la fantasía está completamente ausente. El OP no cubrirá todo el espacio de las variantes del modelo, tendrás que elegir y que se haya optimizado y detenido en la mejor variante. Ir a la fábrica, en definitiva. Uno se hace cargo de algunas cosas sin entender siquiera a grandes rasgos con qué está trabajando. Y en el caso de boosting es imposible construir OP, ya que el número de parámetros crece en cada iteración.
Hay más cuestiones interesantes del uso de MO en el comercio. Por ejemplo, un algoritmo para determinar qué intervalo de la historia debe tomarse para el entrenamiento. Tal vez pueda establecerse mediante algunos metaparámetros que se optimicen mediante la validación cruzada. Tengo que leer a Prado).
Quería escribir que cuantos más datos mejor, entonces me acordé de uno de mis pequeños experimentos (aunque se hizo sin la suficiente representatividad, por lo que el resultado bien puede ser aleatorio, pero no obstante). En concreto, hay dos mercados: en mi opinión subjetiva, uno es más eficiente y el otro menos. El modelo entrenado en el mercado más eficiente dio peores resultados de OOS en este mercado que el modelo entrenado en el mercado menos eficiente en la misma zona.
A menudo los modelos dejan de funcionar en un solo momento, sin importar el tamaño de la bandeja. He entrenado en muestras de diferente longitud, todas ellas dejan de funcionar en un punto determinado de la historia anterior. A través de esto se puede ver que falta o cambia algún patrón.
Luego resulta que hay que entrenar en un tramo lo más corto posible. Para que después del cambio de patrón, el nuevo patrón empiece a funcionar más rápido.
Por ejemplo, si se entrena durante 12 meses, después de un cambio de patrón en 6 meses los patrones nuevos y los antiguos serán 50/50. Y al cabo de un año habrá formación y comercio sobre el nuevo patrón. Es decir, durante casi todo un año el patrón ha estado operando con un patrón obsoleto y muy probablemente perdiendo.
Si se entrena durante 1 mes, el patrón aprenderá a funcionar correctamente de nuevo en un mes.
Sería bueno entrenar durante 1 semana... Pero no tengo suficientes datos.
A menudo los modelos dejan de funcionar en un momento dado, independientemente del tamaño de la bandeja. Los entrené con muestras de diferente longitud, todas ellas dejan de funcionar en un momento determinado de la historia pasada. A través de esto se puede ver que algún patrón falta o cambia.
Sobre el ruido, sí. Sin embargo, no he pensado en ello en términos de tomar secciones de la historia con y sin ruido. Y por cierto, ¿cómo se entiende esto antes de entrenar el modelo? ¿Cómo, de forma iterativa? Entrené todos los sectores, miré dónde rinde más, dejé estos sectores y entrené sólo estos sectores primero? Eso da lugar a la segunda cuestión que puede llamarse filosófica antes de la validación experimental: ¿es mejor que el modelo vea inmediatamente diferentes zonas, incluidas las ruidosas, pero que aprenda de media de los datos ruidosos o que aprenda de los datos más limpios, pero que no vea una vez los datos ruidosos?
¿Y qué hay de malo en las tallas gigantes? ¿Aparte del aumento del tiempo de cálculo?