Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3039
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
Tienes una columna llamada error de clasificación, ahora la clasificación es irrelevante.
Si no imprimes el error de clasificación en la pantalla, ¿cómo sabes que es irrelevante? Imprime cualquier cosa que sea interesante.
Imprime y muestra que incluso el 9% puede ser aleatorio, y el 10% ya se fusiona. Eso es interesante. Aquí tienes uno con el 20%.
Su gráfico, como yo lo entiendo, no vamos a ver.
Sabía que no pasarías por alto mi mensaje. de hecho, sabía que hablarías. por desgracia, no te das cuenta de que lo que está resaltado en rojo negrita es FF..... No entiendo por qué eres tan alérgico a FF.
Por cierto, se pueden hacer muchas cosas útiles de la basura - el reciclaje se llama reciclaje. voy a decir más - la presencia de "basura" sólo le permite obtener aún un beneficio estable en los mercados, hay ejemplos incluso en este foro.
Un post antes escribiste
"El problema es que hasta ahora nadie ha logrado encontrar tales reglas para FF (no he visto, al menos)."
La tarea es realmente difícil e imposible en modelos MO off-the-shelf: teniendo el modelo MO como una caja negra, buscar algo ahí en el poder predictivo de los predictores, teniendo como objetivo el equilibrio.
Una tarea increíblemente difícil.
E innecesaria.
Lo resolvemos paso a paso, que es lo que yo hago prácticamente: resuelvo el problema de estimar la capacidad predictiva de los predictores, luego ajusto el modelo como caja negra, luego trabajo con los resultados del ajuste. A día de hoy, ya en el nivel de pruebas de EA, resulta que mi profesor es un poco raro. Tengo que trabajar en el profesor (variable objetivo).
Pero lo principal en mi esquema es que un problema ya muy complejo, que se complica aún más por el intento de construir un FF, se descompone en etapas independientes y el problema se hace observable.
Si no imprimes el error de clasificación en la pantalla, ¿cómo sabes que no importa? Imprime cualquier cosa que sea interesante.
Lo imprimió y demostró que incluso el 9% puede ser aleatorio, y el 10% ya es una fuga. Eso es interesante. Aquí hay uno con 20% por ejemplo.
Su gráfico, como yo lo entiendo, no vamos a ver.
Todo lo que has escrito no tiene sentido para mí.
Un error de clasificación (¿cómo se calculó?) del 10% es una clara señal de sobreentrenamiento. Para refutar el sobreentrenamiento, necesita un error de clasificación en el conjunto de entrenamiento y "fuera de la muestra" - deben ser aproximadamente iguales.
Tengo un Asesor Experto que funciona bastante bien con un error de clasificación ligeramente inferior al 20%. Al mismo tiempo, el porcentaje de operaciones perdedoras en el probador es ligeramente superior al 20%.
Me gustaría ver cifras consistentes en la clasificación, lo que demostraría la ausencia de sobreentrenamiento, así como entender cómo se obtiene el equilibrio de la clasificación.
Más temprano, usted escribió
"El problema es que nadie ha conseguido aún encontrar tales reglas para FF (yo no he visto ninguna, al menos)."
La tarea es realmente difícil e inviable en modelos IO off-the-shelf: tener el modelo IO como una caja negra, buscar algo ahí en el poder predictivo de los predictores, con el equilibrio como objetivo.
Una tarea increíblemente difícil.
E innecesaria.
Lo resolvemos paso a paso, que es lo que yo hago prácticamente: resuelvo el problema de estimar la capacidad predictiva de los predictores, luego ajusto el modelo como una caja negra, luego trabajo con los resultados del ajuste. A día de hoy, ya en el nivel de pruebas de EA, resulta que mi profesor es un poco raro. Tengo que trabajar sobre el profesor (variable objetivo).
Pero lo principal en este esquema es que un problema ya muy complejo, que se complica aún más por el intento de construir un FF, se descompone en etapas independientes y el problema se hace observable.
La parte en negrita es que SIEMPRE se utilizan algunas funciones de aptitud. evaluación de la capacidad de predicción - criterio de bondad (estabilidad), ajuste - criterio de identidad, trabajo con resultados - evaluación mediante algunas métricas y selección. es decir, en cualquier etapa, dondequiera que hagamos algo, hay una FF como descripción evaluativa de lo que queremos obtener como resultado. Has descompuesto la evaluación integral general en pequeñas evaluaciones diferenciales, pero la esencia no ha cambiado, sigues utilizando FF en tu trabajo.
¿quién tiene la culpa si has comprado una chaqueta de mierda? - ¿El fabricante? - ¿el vendedor? - ¿La oveja? - Puedes bajar a los átomos que componen la chaqueta, pero no mejorará y no entenderás por qué la chaqueta es una mierda. tus criterios para evaluar una chaqueta a la hora de comprarla - FF - son los culpables.
Si ninguna chaqueta se ajusta a los FF, entonces o tal chaqueta no existe y no necesitas comprar nada, o necesitas cambiar los FF))).
¿quién tiene la culpa si has comprado una chaqueta de mierda? - ¿El fabricante? - ¿el vendedor? - ¿La oveja? - Puedes bajar a los átomos que componen la chaqueta, pero no mejorará y no entenderás por qué la chaqueta es una mierda. la culpa es de tus criterios para evaluar una chaqueta a la hora de comprarla - FF.
Si ninguna chaqueta se ajusta a los FF, entonces o tal chaqueta no existe y no necesitas comprar nada, o necesitas cambiar los FF))).
Y usted puede hacer una chaqueta: ajustar las mangas a la diferente longitud de los brazos, se ajustan con precisión la joroba y bellamente tocar un bulto de nervios en la parte delantera. Y habrá una chaqueta. Esa es la diferencia de nuestros enfoques. ¡Larga vida a los sastres!
O puedes hacer una chaqueta: ajusta las mangas a las diferentes longitudes de los brazos, ajusta con precisión la joroba y juega maravillosamente con el bulto de nervios de la parte delantera. Y tendrás una chaqueta. Esa es la diferencia de nuestros enfoques. ¡Larga vida a los sastres!
Error de clasificación (¿cómo se ha calculado?)
¿Existen opciones? ))))
estudiar
https://www.arxiv-vanity.com/papers/1910.13051/
El artículo contiene muchas referencias a otros métodos punteros de clasificación de series temporales, métodos de extracción de señales y patrones.
No hay nada sobre ineficiencias, pero esto son, como se suele decir, deberes
intenté generar fichas x10 y x100 a partir de las originales. El error es mayor que en el conjunto de datos original + velocidad de aprendizaje sufre.
descartado
pero la experiencia con numba es positiva, cuenta los núcleos muy rápido.¿Hay alguna opción? ))))
¿Por qué siempre haces preguntas...