Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3190
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
Escribí sobre la secuencia estricta sólo como un ejemplo para mayor claridad. Y, escribí que la solución de este problema puede mejorar la estabilidad del modelo. Pero la solución puede ser diferente.
Incluso sin resolver el problema antes mencionado - la selección de la tabla cuántica correcta mejora el aprendizaje, que fue probado por mí en docenas de muestras.
Luego mostré cómo se puede hacer rápidamente el preprocesamiento para la formación, la limpieza de la muestra de datos inconsistentes. Usted puede ver en los gifs que incluso se puede obtener un modelo rentable en los nuevos datos con este método.
Al final, el método funciona, y su desarrollo es mi objetivo.
Por lo tanto, decir que no funciona es negar la realidad.
No creo que el precio sea puro SB, cuya naturaleza no pueda desmontarse al menos parcialmente. Si es SB puro, entonces todo el hilo es un error.
¿Qué tiene que ver el beneficio con el preprocesamiento de datos para su posterior clasificación?
¿Qué sentido tenían tus numerosos gifs con balances cada vez más pronunciados? ¿Quizá no has entendido la respuesta a tu pregunta?
Creo que deberíamos hacer una conferencia de máquinas. Tendría que incluir un bufé y celebrarse en algún lugar de los EAU. Y allí en un ambiente formal y luego informal para hablar de todo. De lo contrario es inconveniente hacerlo a través del foro.
La idea del dinero de Saber para familiarizarse con sus estrategias me parece genial y bien pensada. Ni siquiera sé qué podría salir mal 🤔.
La idea del dinero de Saber para familiarizarse con sus estrategias me parece genial y bien pensada. Ni siquiera sé qué podría salir mal 🤔.
Es decir, si seleccionas 10 cuantos/segmentos, ¿entrenas 10 árboles utilizando ejemplos de estos segmentos? Parece sencillo de hacer.
Sobre la estabilidad en OOS - el experimento lo demostrará. Mi estabilidad se viola cuando se cambia el tamaño de la ventana de datos (2 meses y 4) y cuando se desplaza incluso en un 2% (formación el martes en lugar del sábado). Los árboles resultan ser diferentes.
Sí, todo es así - el enfoque se puede hacer más complicado, por supuesto, pero entonces si quieres.
En este momento, si no recuerdo mal, el predictor en el árbol golpea sólo la mitad de la gama, sin buscar el mejor lugar para dividir?
En cuanto al éxito de la idea - estoy totalmente de acuerdo, pero el agua tampoco fluye debajo de una piedra tumbada.
Pensé en tal deterioro (por veces) cuando hablé con fxsaber sobre la mezcla con su algoritmo. Él no tiene una diferencia tan fuerte en sus datos. Al parecer porque él no tiene todas las barras en una fila en el marcado (o filas de pie en una fila), pero con grandes lagunas. Si sus barras están juntas, tienen un pasado y un futuro muy similares, es decir, 20 ejemplos de la clase 1 pueden estar en una fila. Al aleatorizarlas, haces que tengan una media de 0101010...., y debes cambiar toda la serie de 20 "1" por 20 "0". Ya que están cerca y se pueden contar como un ejemplo. Si para ti no es así, para mí sí (evalúo todas las barras seguidas, por eso se me ocurrió esta idea).
En general, creo que con una diferencia tan fuerte de 10 veces, es posible no hacer 10000 pruebas. Demasiado evidente la diferencia en las 10 primeras pruebas (todas peores) como para suponer que otras 10000 elevarán el resultado a la igualdad con el original. Si fueron 3 peores, 3 mejores, 4 más o menos iguales, entonces sí - sigue acumulando estadísticas.
Si los datos están serializados, el problema es que una serie de 20 1 en algún lugar de la historia encontrará una serie de 20 0 con un pasado similar. Aquí se trata de aleatorización del mercado. No en convertir 111111111 en 010101010.
UPD Así que creo que Monte Carlo en la forma de 01010101 para datos de mercado no funcionará para datos de mercado (si va en serie). Es como dividir un rectángulo y un cuadrado en cuadrados iguales y luego tratar de determinar a qué forma primaria pertenecía el cuadrado)).
Por desgracia, cometí un error al procesar los datos (estaba rediseñando el script para estas pruebas rápidamente y no se tuvo en cuenta un matiz), la tabla queda así como resultado
La conclusión es que los datos pueden caer aleatoriamente en los rangos de las tablas cuánticas y pasar la prueba de estabilidad disponible. Se utilizaron ajustes/criterios por defecto - ahora intentaré ajustarlos y ver el resultado.
Sin embargo, ya he escrito antes que aproximadamente sólo el 30% de las tablas cuánticas muestran su eficacia en las otras dos muestras, por lo que el resultado era en general de esperar. Sólo su extrañeza me hizo volver a comprobarlo todo. Cómo mejorar el resultado de la selección es el reto.
Sin embargo, el objetivo de la cuantificación es seleccionar un grupo con un desplazamiento de probabilidad. Es posible que se pueda encontrar una hoja estable dentro de él mediante la división, a pesar de que el propio grupo se desplace a otro objetivo con nuevos datos.
En la muestra sobre la que hice el experimento, hay una media de 1 señal al día, creo, por lo que las barras están muy separadas.
Creo que sería más interesante mirar los resultados del experimento que sugerí más arriba - debería mostrar con qué frecuencia las respuestas de objetivos generados aleatoriamente caen en los segmentos cuánticos muestreados. Sólo esto será el espaciado fijo ya "cofres", como Aleksey Nikolayev sugirió en su abstracción.
Usted puede enviar su muestra, voy a seleccionar los segmentos cuánticos, y en estos datos se puede experimentar con la creación de bosque modificado, o te puedo dar mi muestra.
Creo que deberíamos hacer una conferencia de máquinas. Tendría que incluir un bufé y celebrarse en algún lugar de los EAU. Y allí en un ambiente formal y luego informal para hablar de todo. De lo contrario es inconveniente hacerlo a través del foro.
Fourchette - no suena mal, pero la necesidad de violencia - bueno, no he notado por mí mismo. Me entristece que no me entienden, pero no causa tan fuerte agresión en sí mismo.
Furshet - no suena mal, pero la necesidad de violencia - bueno, yo no lo he notado. Me entristece que no se me entienda, pero no causa una agresión tan fuerte en sí misma.
Creo que deberíamos hacer una conferencia de máquinas. Tendría que incluir un bufé y celebrarse en algún lugar de los EAU. Y allí en un ambiente formal y luego informal para hablar de todo. De lo contrario es inconveniente hacerlo a través del foro.
Quería leer sobre aprendizaje automático, y aquí los humoristas están perfeccionando sus habilidades.
Me gustaría ver chistes de humor y otras cosas no relacionadas con el tema en otro sitio.
Ahora sobre el tema.
Escribes que crees que el mercado es aleatorio, ¿en qué te basas para hacer esta afirmación?
¿Tiene alguna base sólida para demostrar la aleatoriedad del movimiento de los precios del mercado?
Quería leer sobre aprendizaje automático, y aquí hay humoristas perfeccionando sus habilidades.
Me gustaría ver chistes de humor y otras cosas no relacionadas con el tema en otros sitios.
Ahora sobre el tema.
Escribes que crees que el mercado es aleatorio, ¿en qué te basas para hacer esta afirmación?
¿Tienes alguna base sólida para demostrar la aleatoriedad del movimiento de los precios del mercado?
¿Para qué servían entonces tus numerosos gifs con saldos cada vez más pronunciados? ¿Quizás no entendiste la respuesta a tu pregunta?
Los gifs son para mí una nueva variante del desarrollo del uso de los quantum cutoffs, que yo describí. Demostré que 10 quantum cutoffs para una muestra particular es también suficiente para obtener un balance positivo en una muestra de entrenamiento. Y, en consecuencia, dije que la selección aleatoria del primer segmento cuántico (de los previamente seleccionados) permite encontrar la secuencia en la que el balance muestra un crecimiento positivo en las muestras test y examen. En consecuencia, hay segmentos cuánticos que son eficaces sólo en la muestra del tren, y los hay que son eficaces también en otras muestras. Y, si tienen un comportamiento tan diferente, entonces probablemente algunos de ellos describen un patrón estable, y otros uno falso. Así que la pregunta era si es posible, en la fase de búsqueda/creación de estos segmentos cuánticos, seleccionar los que son falsos. Está claro que los criterios utilizados por mí no son suficientes para filtrar los segmentos cuánticos falsos. La idea de mezclar el objetivo sirve esencialmente como prueba para evaluar la probabilidad de seleccionar segmentos cuánticos en la SB.
Por eso no lo entiendo, aquí he seleccionado segmentos cuánticos en un blanco colocado al azar, ¿y ahora tengo que construir un equilibrio? ¿De la misma manera, pero sin aleatorización, que mostré en los gifs?
Es que la propia forma de seleccionar una secuencia de segmentos cuánticos de los que he seleccionado previamente en la muestra no se considera completa, sino que muestra el potencial de la posibilidad.
Por eso no entiendo por qué y cómo evaluar a través del equilibrio.