Discusión sobre el artículo "Metamodelos en el aprendizaje automático y el trading: Timing original de las órdenes comerciales"
No he mirado el código, sólo la descripción: parece que el metamodelo se entrenará con datos futuros ya en la 2ª iteración. Creo que deberíamos entrenar sólo con datos pasados.
El metamodelo se entrena con los mismos datos que el modelo base + un trozo de historia hacia el pasado. Se puede cambiar al futuro. No hay diferencia, sólo necesita un trozo de datos que el modelo base no ha visto.
Me refiero a la frase
Сначала необходимо обнулить книгу плохих сделок, если в ней что-то осталось после предыдущего обучения. Затем в цикле задается необходимое количество итераций.
Este libro acumulará información sobre el futuro. No es que se reinicie antes de cada entrenamiento.
Me refiero a la frase
Este libro acumulará información sobre el futuro. No es que se reinicie antes de cada entrenamiento.
¿Qué futuro? Hay ejemplos para el metamodelo.
cuantas más iteraciones se equivoca el modelo base, más se fortalecen los ejemplos y caen en "no operar".
estos ejemplos son los errores del modelo base, donde más a menudo se equivoca. Deberían ser amputados para que no tiren del gradiente sobre sí mismos.
similar a la 3ª clase "no comerciar", salvo que se descartan totalmente del clasificador, lo que aumenta su precisión
Se puede confiar en que una máquina ejecute con precisión el algoritmo que se le ha introducido. En cambio, no se puede confiar en la persona que introdujo el algoritmo.
Es inherente al ser humano equivocarse, ser deliberadamente engañoso o engañar deliberadamente a los demás. Todos los trabajos sobre aprendizaje automático en ausencia de una teoría de mercado normal son como buscar un reloj debajo de una linterna (a partir de una anécdota). Los algoritmos y los fundamentos deberían buscarse en la mecánica cuántica. Si hay ganas, puedo explicarlo.
Desde los tiempos de Pitágoras, se distingue entre conocimiento común y secreto. El tema es muy amplio, abarca la filosofía, la política y la economía. Concretando esta afirmación en relación con la bolsa, prestemos atención a James Simons. Este hombre duplicaba su capital cada mes gracias a sus conocimientos de las matemáticas de los espacios multidimensionales. Esto significa que existe una posibilidad real de calcular el comportamiento de este mismo espacio multidimensional, es decir, el ámbito bursátil. Varios autores, por ejemplo, N. Rudyk, "Behavioural Finance", Lars Tweed, "Psychology of Finance", J. Soros,"Alchemy of Finance", prestan atención al hecho de que el mercado es ante todo psicología. La psicología de las masas no se describe con la distribución de Gauss, sino con la de Tsipf-Pareto. La teoría de la probabilidad es inaplicable a la psicología debido a un error en las bases fundamentales de esta teoría. Pregunta: ¿qué es aplicable a la psicología de las masas? I.Danilevsky escribió un buen libro: "Estructuras del inconsciente colectivo. La realidad social cuántica". Su significado: el inconsciente colectivo es un campo cuántico, que puede y debe ser estudiado con el aparato matemático de la mecánica cuántica.
El conocimiento secreto es secreto porque no está ampliamente disponible. Pero, sin embargo, si se desea, es posible ir más allá de la pista trillada y buscar el propio camino.
El conocimiento secreto es secreto porque no está ampliamente disponible. Pero, sin embargo, si uno está dispuesto, puede ir más allá de los caminos trillados y encontrar su propio camino.
La explicación debe consistir en hechos verificables, no en una apelación a conocimientos arcanos y palabras de moda
El aparato teórico de la mecánica cuántica se desarrolló a principios del siglo XX, el uso práctico comenzó 50 años más tarde - máseres, láseres, etc. Si no te gusta leer libros inteligentes, no significa que no existan tales libros y personas que los escribieron. Para ti, parece que "la olla está vacía es mucho más apreciada". Sigue vertiendo de vacío en vacío.
El aparato teórico de la mecánica cuántica se desarrolló a principios del siglo XX, su uso práctico comenzó 50 años más tarde: máseres, láseres, etc. Si no te gusta leer libros inteligentes, no significa que no existan tales libros y personas que los escribieron. Para ti, parece que "la olla está vacía es mucho más apreciada". Sigue vertiendo de vacío en vacío.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Metamodelos en el aprendizaje automático y el trading: Timing original de las órdenes comerciales:
Metamodelos en el aprendizaje automático: Creación automática de sistemas comerciales sin apenas intervención humana: el Modelo decide por sí mismo cómo y cuándo comerciar.
Al principio de esta sección, querría hacer una pequeña observación. Como en el proceso de desarrollo de sistemas comerciales (incluido el aprendizaje automático) el investigador se enfrenta con la incertidumbre, no resulta posible formalizar de forma rigurosa lo que buscamos finalmente. Hablamos de unas dependencias más o menos estables en el espacio multidimensional, difíciles de interpretar en lenguaje humano o incluso matemático. Resulta difícil hacer un desglose detallado de lo que obtenemos de los sistemas altamente parametrizados y de autoaprendizaje. Estos algoritmos requieren cierto grado de confianza humana en ellos, y dicha confianza se basa en los resultados de los backtests, pero no aclaran la esencia misma o incluso la naturaleza del patrón encontrado.
Queremos escribir un algoritmo que sea capaz de analizar y corregir sus propios errores, mejorando sus resultados iterativamente. Para ello, proponemos al lector tomar un conjunto de dos clasificadores y entrenarlos secuencialmente como se sugiere en el esquema siguiente. A continuación, describiremos detalladamente la idea y la explicación del esquema.
Cada uno de los clasificadores se entrena con su propio conjunto de datos, que tienen diferentes tamaños. La línea horizontal azul representa la profundidad teórica de la historia para el metamodelo, mientras que la naranja representa la profundidad para el modelo de básico. En otras palabras, la profundidad de la historia para el metamodelo es siempre mayor que para el modelo básico, y es igual al intervalo temporal estimado (de prueba) con el que se probará el conjunto de estos modelos.
Autor: Maxim Dmitrievsky