Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2555
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
Entonces, ¿por qué la clase no predice correctamente? Porque las cotizaciones no son las que el modelo espera, distribución equivocada. Si generamos cotizaciones a partir de la distribución correcta, probablemente sea bueno...
Pruébalo, no recuerdo si lo hice o no, tuve una idea similar
Pero probablemente no hay conexión entre el pasado y el futuro. Es decir, el estado futuro de n barras no es fácil de predecir, y puede ser más difícil que 1-2 pasos por delante.Pruébalo, no recuerdo si lo hice o no, tuve una idea similar
pero lo más probable es que no haya conexión entre el pasado y el futuro. Es decir, el estado futuro para n barras no es fácil de predecir, y puede ser incluso más difícil que para 1-2 pasos adelante.Asumiendo que el modelo debe funcionar también en el futuro, siempre habrá errores de todo tipo (incluido el ruido), y el reto es encontrar un equilibrio. Por lo tanto, estamos hablando de lo mismo, en esencia.
En realidad, estaba resolviendo este problema de una manera diferente, por lo que estoy escribiendo preguntas dirigidas
Si lo miras desde un punto de vista global, estoy de acuerdo contigo. Independientemente del conjunto de algoritmos que se adopte al final, los problemas al utilizarlo serán siempre los mismos.
Por cierto, una idea algo similar (expulsión de operaciones con valores de indicadores alejados de los típicos) la ha expresado hoy fxsaber en su blog.
Desde una perspectiva global, estoy de acuerdo con usted. No importa qué conjunto de algoritmos se utilice al final, los problemas al utilizarlo serán siempre los mismos.
Por cierto, una idea algo similar (expulsión de operaciones con valores de indicadores que se alejan de los típicos) la ha expresado hoy fxsaber en su blog.
Estoy completamente de acuerdo. Las fluctuaciones en el corredor con anchura dinámica implican una elección de equilibrio en la previsión y su probabilidad.
¿Puede decirle a un novato si la optimización de un EA en un probador / optimizador es MO?
La optimización se parece más al proceso de entrenamiento de una red neuronal.
Antes había incluso soluciones para automatizar la optimización para obtener los conjuntos más relevantes.
Una conferencia sobre la selección de modelos
para que no haya malentendidos, por así decirlo
Un novato, es la optimización de un EA en un probador / optimizador de un MO?
MO es sólo un conjunto de algoritmos. Para algunos de ellos la optimización del probador es suficiente. Por ejemplo, si necesita encontrar la K óptima en KNN. Pero la mayoría de los algoritmos tienen su propia forma de optimización. Por ejemplo, el descenso de gradiente en las redes neuronales.
En general, la respuesta depende de la capacidad de ajustar el modelo específico a los algoritmos de optimización dados (fuerza bruta y optimización genética)
Una conferencia sobre la selección de modelos
para que no haya malentendidos, por así decirlo.
Vorontsov es probablemente el mejor experto del Ministerio de Defensa en Rusia. Por lo tanto, el curso está destinado a ser bueno, pero al ser para informáticos, omite matemáticas básicas e importantes para nosotros. He observado muchas veces que para la aplicación de métodos matemáticos en el trading, pocos son adecuados en su forma básica y simplificada.
El MO se basa (véase, por ejemplo, Tibshirani) en el supuesto de que existe una distribución conjunta constante de predictores y respuestas P(X,Y). A partir de ella, se puede calcular la probabilidad condicional Py(Y|X), a partir de la cual se puede calcular la regresión Y=f(X). Eventualmente, esta regresión es aproximada por algunos modelos de MO. En el mundo físico esta teoría funciona más o menos. Pero no en el comercio. Resulta que P(X,Y) cambia de forma imprevisible con el tiempo (no estacionariedad) y toda la teoría se derrumba un poco.
El enfoque más popular es simplemente ignorar la no estacionariedad y luego sorprenderse con los resultados y quejarse del modus operandi).