Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3139
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
Señores, no debemos olvidar ni darnos cuenta de que....
Tan pronto como cualquier tipo de robot está en el mercado real, sus acciones se vuelven predecibles y transparentes para el mercado, porque se integra en el sistema general de negociación y a partir de ese momento las señales se harán por un algoritmo de precios adaptativo en lugar de datos históricos muertos.
Es fácil ajustar/modelar el precio a la situación en la que el robot dará dinero.
Y será más a menudo que en el probador, el 100% de las veces
Pues mira tu saldo obtenido con MO ;))))
repetidamente hacia arriba y hacia abajo.
Te lo diré directamente - un drenador típico, también conocido como grial probador.
Tal TS nunca funcionará en la vida real.
él ya sabe porque yo le di la información, se le puede enseñar sobre la marcha lo que no sabía antes... después de darle este conocimiento cargué una nueva sesión y él ya sabía sobre este paquete )) cool
divertido
¿funciona el bardo en vps?
vpn si
Una nave atraviesa el universo en dirección a Marte.
Los motores fotónicos la han acelerado hasta el límite y viaja por inercia.
Un cosmonauta está sentado encima de la nave, con una bandera en la mano izquierda.
Con la mano derecha lanza un perno de diámetro M40 con una aceleración de 5 metros por segundo.
Pregunta. ¿Qué le ocurre al perno?
А. Encontrará su tuerca.
Б. Volará a una velocidad constante.
В. Volará con aceleración.
Г. Se pegará al guante del astronauta.
Д. Será el primero en llegar a Marte.
Е. Regresará a la Tierra.
P.Z.
Aprenderá a manejar máquinas y empezará a controlar el Cosmonauta, con la ayuda de una nave espacial?
broma
Es tonto de remate, pero aprende diferente a los otros modelos, creo que cuando aprenda va a ser brutal.
Hay una nave que viaja por el universo hacia Marte.
Los motores fotónicos la han acelerado al límite y vuela por inercia.
Un cosmonauta está sentado encima de la nave, con una bandera en la mano izquierda.
Con la mano derecha lanza un Bolt de diámetro M40 con una aceleración de 5 metros por segundo.
Pregunta. ¿Qué le ocurre al perno?
А. Encontrará su tuerca.
Б. Volará a una velocidad constante.
В. Volará con aceleración.
Г. Se pegará al guante del astronauta.
Д. Será el primero en volar a Marte.
Е. Regresará a la Tierra.
P.Z.
¿Aprenderá a manejar máquinas y empezará a controlar al Cosmonauta, por medio de una nave espacial?
Es tonto de remate, pero aprende de forma diferente a los otros modelos. Creo que cuando aprenda, va a ser brutal.
Un desglose del artículo de Prado sobre el reciclaje
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Bard:
La esencia del método de los autores es utilizar la validación cruzada para estimar cuánto cambia el modelo cuando se añaden nuevos datos. Si el modelo cambia mucho, significa que está sobreentrenado en los datos de entrenamiento y es probable que lo esté en los datos de prueba.
El método de los autores funciona del siguiente modo:
El método de los autores es más preciso que los métodos tradicionales de estimación del sobreentrenamiento, como el holdout, porque tiene en cuenta los cambios del modelo cuando se añaden nuevos datos. El método holdout estima el sobreentrenamiento basándose sólo en los datos de entrenamiento y prueba, pero no tiene en cuenta los cambios del modelo cuando se añaden nuevos datos.
El método de los autores puede utilizarse para estimar la probabilidad de sobreentrenamiento de cualquier modelo de aprendizaje automático. Puede utilizarse para estimar la probabilidad de sobreentrenamiento de un modelo que predice los precios de las acciones, un modelo que clasifica imágenes o cualquier otro modelo de aprendizaje automático.
opción 2 ====================================
El método propuesto por los autores se basa en la idea de utilizar la validación cruzada para estimar cuánto cambia el modelo cuando se añaden nuevos datos. Si el modelo cambia mucho, significa que está sobreentrenado en los datos de entrenamiento y es probable que lo esté en los datos de prueba.
Para calcular la probabilidad de sobreentrenamiento, los autores utilizan un método de validación cruzada llamado k-fold cross-validation. En este método, los datos se dividen en k partes iguales. A continuación, el modelo se entrena en k-1 partes de los datos y la parte restante de los datos se utiliza para las pruebas. Este proceso se repite k veces y los resultados de las k pruebas se combinan para obtener una estimación de la precisión del modelo.
Una vez obtenida la estimación de la precisión del modelo, los autores la utilizan para estimar la probabilidad de sobreentrenamiento. Para ello, calculan la varianza de las estimaciones de precisión. Cuanto mayor sea la varianza, mayor será la probabilidad de sobreentrenamiento.
Los autores demuestran que su método puede ser más preciso que los métodos tradicionales de estimación del sobreentrenamiento, como el holdout. También demuestran que su método puede utilizarse para seleccionar los mejores hiperparámetros para el modelo.
Estos son los pasos que siguen los autores para estimar la probabilidad de sobreentrenamiento:
Los autores demuestran que su método puede utilizarse para estimar la probabilidad de sobreentrenamiento en una serie de modelos de aprendizaje automático, como la regresión lineal, la regresión logística y los árboles de decisión. También muestran que su método puede utilizarse para seleccionar los mejores hiperparámetros para estos modelos.
En general, el método propuesto por los autores es una herramienta precisa y útil para estimar la probabilidad de sobreentrenamiento. El método de los autores puede utilizarse para estimar la probabilidad de sobreentrenamiento de un modelo y para seleccionar los mejores hiperparámetros para el modelo.
opción 3 =========================================
El método de los autores se basa en la idea de utilizar la validación cruzada para estimar cuánto cambia el modelo cuando se añaden nuevos datos. Si el modelo cambia mucho, significa que se está sobreajustando a los datos de entrenamiento y es probable que se sobreajuste a los datos de prueba.
Para demostrar la precisión de su método, los autores lo aplicaron a la tarea de predecir los precios de las acciones. Compararon los resultados de su método con los de holdout y demostraron que su método predice con mayor precisión los precios de las acciones.
Los autores también demostraron que su método puede utilizarse para seleccionar los mejores hiperparámetros del modelo. Utilizaron su método para seleccionar los mejores hiperparámetros de un modelo de aprendizaje automático que predice los precios de las acciones. Demostraron que su método puede seleccionar hiperparámetros que conducen a un modelo con mayor precisión.
En general, los autores demostraron que su método para estimar la probabilidad de sobreentrenamiento es una herramienta precisa y útil para el backtesting. El método de los autores puede utilizarse para estimar la probabilidad de sobreentrenamiento del modelo y para seleccionar los mejores hiperparámetros para el modelo.
Estos son los pasos de la metodología de los autores:
El método de los autores es más preciso que los métodos tradicionales de estimación de la sobreadaptación, como el holdout, porque tiene en cuenta el cambio de modelo cuando se añaden nuevos datos. El método holdout sólo estima el modelo en el conjunto de entrenamiento y en el conjunto de prueba. Esto significa que el método holdout no puede tener en cuenta el cambio de modelo cuando se añaden nuevos datos.
El método de los autores también puede utilizarse para seleccionar los mejores hiperparámetros del modelo. El método holdout no puede utilizarse para seleccionar los mejores hiperparámetros del modelo porque no tiene en cuenta el cambio de modelo cuando se añaden nuevos datos.
En general, el método de los autores es una herramienta precisa y útil para el backtesting. El método de los autores puede utilizarse para estimar la probabilidad de sobreajuste del modelo y para seleccionar los mejores hiperparámetros del modelo.
No hay que apresurarse a contestar, querido amigo.
P.Z..
Hay muchas distracciones presentes.
Es un poco como E=C*M*C, que nadie ha resuelto nunca.
Aunque... Albert, en su día intentó conseguir un shNobel por ello.
No hay necesidad de apresurar tu respuesta, mi querido amigo.
P.Z.
Hay muchas distracciones presentes.
Es un poco como E=C*M*C, que nadie ha resuelto nunca.
¡Aunque! Albert, en su día intentó conseguir un SNobel por ello.