Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3074
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
Sí, la M5)
Lo repetiré ahora) Menos mal que tengo enidesk y acceso al ordenador de mi trabajo))))
270 dolares. y mejor sl 11500, en general 5200 sl y 350 tp es casi el mismo resultado.
Igual el spread es grande. Tengo más ganancias, en general la curva es la misma. Un poco dura la curva de aprendizaje de los últimos años, sí. Pero las anteriores son mejores.
En el mercado este óptimo cambia constantemente -como el terreno del planeta después de un terremoto.... por lo que nuestra tarea consiste en predecir cuándo ocurrirá, o después, pero sobre todo el momento en que es necesario buscar un nuevo óptimo....
Documento en el que se comparan diferentes métodos. Además de los vídeos y el libro. Tiene muchas referencias a otros trabajos.
De esta imagen.
Para MO, el muestreo secuencial no es aceptable - sólo el muestreo aleatorio, y no sólo al azar.
De esta foto.
Para MO, el muestreo secuencial no es aceptable - sólo el muestreo aleatorio, y no sólo el muestreo aleatorio.
Documento que compara diferentes métodos. Además de los vídeos y el libro. Tiene muchas referencias a otros documentos.
¡Maravilloso artículo!
Según he entendido las aplicaciones, el resultado de la clasificación depende no sólo de la calidad de los datos originales, sino también de cómo formamos el conjunto de entrenamiento y evaluación. Y de algo más que aún no he entendido.
¡Maravilloso artículo!
Según he entendido las aplicaciones, el resultado de la clasificación depende no sólo de la calidad de los datos originales, sino también de cómo formamos el conjunto de entrenamiento y evaluación. Y de algo más, que aún no he entendido.
Jeje. Ver más vids antes de este, podría aclarar el panorama. La cuestión es encontrar esas muestras en los datos, digamos X con un vector de valores de características W, que reaccionan lo mejor posible al tritment (entrenamiento del modelo en nuestro caso) y asignarlas a la clase "to trade", cuando las otras es mejor no tocarlas, "not to trade", porque reaccionan mal al entrenamiento (en datos nuevos el modelo se equivoca al incluirlas en el grupo tritment). En marketing, se trata de ejemplos de usuarios. Donde una muestra de usuarios se verá impactada por una campaña publicitaria, pero en otros no merece la pena emplear el presupuesto de la campaña publicitaria.
Yo lo entiendo así en el contexto de la CT.
Jejeje. Mira más vids antes de esto, quizás te aclare el panorama. La cuestión es encontrar esas muestras en los datos, digamos X con un vector de valores de características W, que reaccionan lo mejor posible al tritment (entrenamiento del modelo en nuestro caso) y asignarlas a la clase "to trade", cuando las otras es mejor no tocarlas, "not to trade", porque no reaccionan bien al entrenamiento (en datos nuevos el modelo se equivoca al incluirlas en el grupo tritment). En marketing, se trata de ejemplos de usuarios. Cuando una muestra de usuarios se verá afectada por una campaña publicitaria, pero es inadecuado utilizar el presupuesto de la campaña publicitaria en otros.
Yo lo entiendo así en el contexto de la CT.
Tu forma de entenderlo tiene un tufillo persistente a determinismo, mientras que el artículo es la apoteosis de la aleatoriedad e incluso sobre datos desequilibrados. No hay selección de muestras, es todo lo contrario. Recomendamos X-learner, que
estima primero las dos funciones de respuesta µ(x, 1) y µ(x, 0). A continuación, utiliza estas estimaciones para imputar los efectos de tratamiento individuales no observados para el tratado, ˜ξ 1 i , y el control, ˜ξ 0 i . Los efectos imputados se utilizan a su vez como pseudo-resultados para estimar los efectos del tratamiento en la muestra tratada, τ (x, 1), y la muestra de control, τ (x, 0), respectivamente. La estimación final del CATE τ (x) es entonces una media ponderada de estas estimaciones del efecto del tratamiento ponderadas por la puntuación de propensión, e(x). Así, el X-learner utiliza además la información de los tratados para aprender sobre los controles y viceversa en un estilo de regresión cruzada, de ahí el término X en su etiqueta de denominación.
Nada como una "buena" selección.
Si, por ejemplo, hay un sistema de negociación que funciona con la historia....
¿Y si tratamos de responder a esta pregunta en los términos del artículo que dio Maxim?
https://arxiv.org/pdf/2201.12692.pdf