Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3182

Nuevo comentario
 

La diferencia es que no se busca nada en los resultados de la optimización. Es decir, los cinco primeros resultados de optimización nunca se han ejecutado en OOS antes.

 

Foro sobre negociación, sistemas automatizados de negociación y ensayo de estrategias de negociación

Aprendizaje automático en el trading: teoría, modelos, práctica y algo-trading

Valeriy Yastremskiy, 2023.08.17 10:44 AM

Parece lógico que disminuya la probabilidad de falsos positivos y negativos, pero para mí no es la panacea contra los errores.

¿Crees que deberías confiar más en el modelo train_optim + test_forward que en (train+test)_optim?

 
Aleksey Vyazmikin #:

No hay error. No hay error. No hay error.

Tomé otra muestra - 47% de unidades y ejemplos 5 veces menos - después de un par de pasadas puedo decir que ya encuentra muchos segmentos cuánticos.

Lo que más me llamó la atención es la similitud del objetivo inicial y el generado - son 49% similares - tal vez es necesario establecer algún umbral aquí - no más del 30% de similitud? ¿Alguna idea?

Hice un gráfico - si hay una coincidencia "-1", si no hay coincidencia, entonces "+1", tengo un equilibrio.

Un montón de tendencias en él, ¿qué piensa usted?

 
fxsaber #:

Arriba es real, abajo es aleatorio.

Hice la optimización con los mismos ajustes en el símbolo real y en el generado.


Real.


Aleatorio.


No está entrenado en Random.

 
fxsaber #:

Hice una optimización con los mismos ajustes en el personaje real y en el generado.


Real.


Aleatorio.


No entrenado en Random.

¿Cuántas veces se generó el símbolo aleatorio?) Obviamente, cuanto más larga sea la secuencia, más veces habrá que generarla para que funcione también.
 
fxsaber #:

La diferencia es que en los resultados de la optimización no se busca nada. Es decir, los cinco primeros resultados de optimización no se han ejecutado nunca en OOS.

No sé cómo explicarlo de forma sencilla.

Eliges mejores variantes "a mano" en OOS después de la optimización en la prueba y NO encaja...

Y si el algoritmo selecciona las mejores variantes en OOS después de la optimización, ya está encajando... ¿Por qué?

Elegir las mejores opciones/variantes del conjunto completo de opciones es optimización.... No importa si lo haces a mano o por algoritmo.

Tal vez usted sólo ha trabajado con un probador en MT y piensa un poco formulista acerca de la optimización en sí y las formas de su aplicación, es por eso que tenemos algunos malentendidos


 
fxsaber #:

Hice una optimización con los mismos ajustes en el personaje real y en el generado.


Real.


Aleatorio.


No está entrenado en Random.

¿Coincide Random con las características del precio? ¿Media, desviación estándar, covarianza?
 

Maxim Dmitrievsky #:
Сколько раз был сгенерирован рандом символ?)

Uno.

es obvio que cuanto más larga sea la secuencia, más veces habrá que generarla para que funcione también.

No entiendo esta afirmación. ¿Qué se quiere decir con las dos opciones siguientes?

  1. Es necesario ejecutar muchas iteraciones de aleatorización para que funcione.
  2. Si creas muchos personajes aleatorios, aumenta la probabilidad de que haya alguno que funcione entre ellos.

Cosas aparentemente sencillas, porque incluso en símbolos reales diferentes no funciona la misma TC.

El algoritmo de aleatorización es el siguiente:

  1. Se toma un histórico de ticks reales.
  2. A partir de él se hace una secuencia de incrementos del precio medio ((bid+ask)/2).
  3. En esta secuencia, cada término se multiplica aleatoriamente por +1 o -1.
  4. A partir de la secuencia de incrementos obtenida se recopila un nuevo historial de ticks, en el que el tiempo y el diferencial coinciden con el punto 1.
  5. El nuevo historial de ticks se escribe en un símbolo personalizado.
Es decir, se aleatoriza algún símbolo real. Se puede aplicar el punto 3 cualquier número de veces. Si después del punto 5 se repiten los cinco puntos, es lo mismo que repetir el punto 3 dos veces.
 

Exactamente de la misma manera que consigo ambos modelos de trabajo OOS y no, a través del mismo algoritmo. El símbolo es el mismo, no se ha añadido ninguna nueva aleatoriedad. Sólo encuentra aleatoriamente patrones de larga duración o patrones locales. Porque el entrenamiento en una submuestra aleatoria (40% dentro del rango seleccionado por la línea), y todavía se mantienen otros aleatorizadores buscando patrones a través de la aleatorización, que la aleatorización persigue.


 
fxsaber #:

Uno.

No entiendo esta afirmación. ¿Qué significan las dos opciones siguientes?

  1. Se necesitan muchas iteraciones de aleatorización para conseguir uno viable.
  2. Si creas muchos personajes aleatorios, aumenta la probabilidad de que haya uno viable entre ellos.

El algoritmo de aleatorización es el siguiente:

  1. Se toma un historial de ticks reales.
  2. A partir de él se hace una secuencia de incrementos del precio medio ((bid+ask)/2).
  3. En esta secuencia, cada término se multiplica aleatoriamente por +1 o -1.
  4. A partir de la secuencia de incrementos obtenida se recopila un nuevo historial de ticks, en el que el tiempo y el diferencial coinciden con el punto 1.
  5. El nuevo historial de ticks se escribe en un símbolo personalizado.
Es decir, se aleatoriza algún símbolo real. Se puede aplicar el punto 3 cualquier número de veces. Si después del punto 5 se repiten los cinco puntos, es lo mismo que repetir el punto 3 dos veces.

Sí, el resaltado

Hay que ejecutar muchas veces, muchos caracteres. He mostrado un ejemplo de mi sobre muestreador arriba. Simplemente saca muestras al azar para el entrenamiento de la misma fila y los resultados son siempre diferentes en OOS.

Exactamente las mismas caídas bruscas en OOS.
1...317531763177317831793180318131823183318431853186318731883189...3399
Nuevo comentario
Razón de la queja: