Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3348
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
En primer lugar, el margen de beneficio se rentabiliza al máximo. Luego se vuelven a muestrear los ejemplos "fiables" y se filtran en función de los errores del modelo, el resto se marca como basura. Porque está claro que nunca habrá un comercio tan ideal como con la disposición inicial del grial (sin spread será casi un grial). La rentabilidad cae hasta cierto nivel, la estabilidad sobre nuevos datos crece. Se elige un equilibrio entre ambos.
Parece lógico y no tan vago como otros justifican su TS.
La variante más fácil de entender se describe en el artículo, puede comprobarlo usted mismo, el núcleo del algoritmo es simple.
He echado un vistazo rápido al artículo.
Desde el principio he destacado una premisa básica, en la que se basa todo lo demás:
Si entrenamos el modelo muchas veces en submuestras aleatorias, y luego probamos la calidad de la predicción en cada una y sumamos todos los errores, obtendremos una imagen relativamente fiable de los casos en los que realmente se equivoca mucho y los casos en los que acierta a menudo.
Totalmente en desacuerdo.
Cualquier validación cruzada no puede, por definición, mejorar la calidad del modelo. La validación cruzada permite calcular un valor de error más VÁLIDO a expensas de un conjunto de estadísticas. Todo. y el error de clasificación resultante puede o no tener nada que ver con la predicción en el archivo externo.e. en el comercio real.
La calidad de la predicción de un modelo viene determinada por el conjunto de predictores para un determinado conjunto de etiquetas y no tiene nada que ver con el modelo. Antes de modelizar, hay que responder a la pregunta: ¿se ajustan los predictores y sus etiquetas? Es imposible responder a esta pregunta con la ayuda de un modelo, y tú estás intentando hacerlo.
Es imposible responder a esta pregunta con un modelo, y usted lo está intentando.
¿Con qué quiere responderla?
¿y con qué quieres responder?
Tema viejo y escrito muchas veces.
Tema viejo y escrito muchas veces.
soporte por visualización, barnizado, suscripción del desarrollador del paquete R rusquant
Es lo mismo
En su artículo no hay ningún gráfico para el modo de "avance" del probador, por el que realmente se puede juzgar el modelo.
Por cierto, se utiliza mashki, no importa lo que la diferencia con el precio, y usted debe tener cuidado con ellos, porque bajo ciertas condiciones de los modelos de prueba por sus propios probadores, ya que no es divertido y contradice todo el TA, mashki mirar hacia adelante. Usando el modo "hacia adelante", si hay mirar hacia adelante, obtendrá una gran discrepancia en los resultados entre el delantero y la trama principal.
rusquant
El sitio dice que lainteracción con la API Tinkoff, Finam y Alor es compatible. ¿Alguien lo ha comprobado?
El sitio dice que seadmite la interacción con las API de Tinkoff, Finam y Alor. ¿Alguien lo ha comprobado?
No...
No estoy interesado en su negocio, sólo he utilizado el paquete rusquant durante muchos años y le estoy agradecido por ello.
https://rpubs.com/arbuzov/momentum
https://rpubs.com/arbuzov/overfitting_ml
https://github.com/arbuzovv/GigaPack/blob/main/AI_LSTM_NN.ipynb