Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2972
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
Se me ocurrió otra idea "brillante" para transformar los datos para AMO, de modo que toda la información sobre el precio puede ser alimentado directamente.
Tengo un buen conjunto de datos 20k observaciones 12k atributos, el objetivo es ordinario ZZ, cargado XGboost, consiguió en la prueba akurasi 62% ))))
Algo está claramente mal con este mundo, algo está claramente mal....
Algo está claramente mal con este mundo, algo está claramente mal....
Entonces, ¿cuál es el punto de la conversión?
Entonces, ¿para qué sirve la conversión?
Es una larga historia. ¿Qué sentido tiene si no funciona?
Es una larga historia. ¿Qué sentido tiene si no funciona?
A veces los pensamientos son acertados, pero la idea se aplica en el lugar equivocado....
Los pensamientos a veces son correctos, pero la idea se aplica fuera de lugar....
No, aquí no hay nadie que me ayude.
No, aquí no hay nadie que me ayude.
Es triste cuando nadie te entiende.
Es triste que nadie te entienda.
¿Y cuál es el punto de anunciar un error accurasi o clasificación con resultado financiero desconocido, tal vez es hora en este hilo para dar resultados traducidos en pérdidas y ganancias?
Es decir, suma / relación de pérdidas y ganancias en puntos / porcentajes.
Y por supuesto en datos nuevos. Incluso he dejado de mostrar los trenes en impresiones, no los miro de todos modos, y SSD es una lástima.
Es triste que el aprendizaje automático con orientación no funcione y que el aprendizaje único no funcione....
No sé lo que no hay que aprender - para mí, algo, sí, aprender. Por ejemplo, tengo una precisión del 70%, pero todavía no es un indicador objetivo.
En general, el problema no está en la posibilidad de conseguir un modelo que siga funcionando, sino en lo siguiente:
1. 1. Obtener un segmento estable del predictor inicial (por ejemplo, basado en un indicador), que conserve sus características estadísticas en el futuro.
2. Seleccionar un modelo de entre un conjunto de modelos que tengan más probabilidades de ser eficaces en el futuro sobre nuevos datos.
Todo esto lo he mostrado en el hilo correspondiente, y creo que es necesario resolver el problema empezando por el primer punto. Cosa que estoy haciendo, pero necesito ideas de enfoques no estándar de estadística descriptiva.
Mi idea es conseguir un modelo, que seleccionará segmentos cuánticos estables por una serie de características estadísticas. Cualquier persona interesada es bienvenida a unirse a este proyecto.
No sé qué es lo que no hay que aprender: para mí, algo hay que aprender. Por ejemplo, mi precisión puede llegar al 70%, pero sigue sin ser un indicador objetivo.
En general, el problema no está en la posibilidad de conseguir un modelo que siga funcionando, sino en lo siguiente:
1. Obtener un segmento estable del predictor inicial (por ejemplo, basado en un indicador), que conserve sus características estadísticas en el futuro.
2. Seleccionar un modelo de entre un conjunto de modelos que tengan más probabilidades de ser eficaces en el futuro con nuevos datos.
Todo esto lo he mostrado en el hilo correspondiente, y creo que es necesario resolver el problema empezando por el primer punto. Lo que estoy haciendo, pero necesito ideas de enfoques no estándar de la estadística descriptiva.
Mi idea es conseguir un modelo, que seleccionará los segmentos cuánticos estables por una serie de características estadísticas. Cualquier persona interesada es bienvenida a unirse a este proyecto.