Discusión sobre el artículo "Desarrollo de un robot en Python y MQL5 (Parte 1): Preprocesamiento de datos" - página 3

Nuevo comentario
 
Maxim Dmitrievsky #:

Entonces el precio debe ser pseudoestacionario. Esto no se observa en los mercados con tendencia.

Bien, preveamos los incrementos. Entonces tomemos los incrementos de los incrementos. ¿Son pseudo-estacionarios?

Sin embargo, si hemos aprendido a pronosticar incrementos, ¿significa que hemos aprendido a pronosticar su derivado - el precio?

 
fxsaber #:

Soy un cero en MO, así que me fío del artículo.

Si lo he entendido bien, un autómata es un campo más amplio de elecciones humanas. Si un humano puede elegir una cantidad acumulativa, entonces un autómata aún más.

La cuestión es que cualquier característica introducida en el modelo debe ser pseudoestacionaria, de lo contrario el modelo no funcionará correctamente con los nuevos datos. Se trata de una limitación del clasificador.

Los datos deben representarse en un rango de valores que persista en los nuevos datos. Si no se cumple esta condición, el modelo se atascará en los valores límite al salir de este rango.

Por ejemplo, predice siempre 0 o siempre 1.
 
fxsaber #:

Bien, predigamos los incrementos. Entonces tomemos los incrementos de los incrementos. ¿Son pseudoestacionarios?

Sin embargo, si hemos aprendido a predecir los incrementos, ¿significa que hemos aprendido a predecir su derivada: el precio?

Sí

 
Maxim Dmitrievsky #:

los datos deben representarse en un rango de valores, que se guarda en los nuevos datos. Si no se cumple esta condición, el modelo se atascará en los valores límite al ir más allá de este rango.

Es decir, ¿es obvio que estos signos deben desecharse?

    # Add simple features
    raw_data['raw_SMA_10'] = raw_data['close'].rolling(window=10).mean()
    raw_data['raw_SMA_20'] = raw_data['close'].rolling(window=20).mean()

Porque pueden alcanzar fácilmente valores fuera del intervalo de entrenamiento.

 
fxsaber #:

Entonces, ¿se supone que estos carteles deben desecharse?

Porque pueden alcanzar fácilmente valores fuera del intervalo de entrenamiento.

Sí, no se pueden utilizar, al igual que los precios de apertura.

Bueno, no se puede. Técnicamente, sí se puede, pero se corre el riesgo de que el modelo se atasque con los nuevos datos.

Si tienes cierta visión de que no se saldrán de su intervalo en un futuro próximo, entonces sí puedes.

 
El aprendizaje por clasificación se da cuenta de que las características precio, rendimientos^1, rendimientos^2, ... son la misma cosa: existe una relación inequívoca entre ellas y, por lo tanto, sólo debe quedar un atributo de la lista?
 
Maxim Dmitrievsky #:

Si hay alguna visión de que no van a salir de su rango en un futuro próximo, se puede.

El oro y las criptomonedas no sirven para esto.

 
fxsaber #:
El aprendizaje por clasificación se da cuenta de que las características precio, rendimientos^1, rendimientos^2, ... son la misma cosa: existe una relación inequívoca entre ellas y, por lo tanto, sólo debe quedar un atributo de la lista?

No es lo mismo, sigue habiendo una diferencia. La solución dependerá del número total de atributos. Si es demasiado grande, entonces se puede limpiar. Si no, se puede dejar sin problemas. Además, son ligeramente diferentes (incrementos con distintos desfases) y pueden aportar información adicional útil al modelo.

El precio se elimina por la razón mencionada anteriormente.
 
fxsaber #:

El oro y las criptomonedas no cumplen estos requisitos.

no encaja mucho, por lo que todas las señales son al menos detrending.

 

Parece que MO se posiciona como un ser (mega-humano) con capacidades de supercomputación y memoria.

¿Qué signos utiliza una persona normal para crear un TC? Nunca he visto a una persona mirar un gráfico de incrementos e intentar predecirlo.

12345678
Nuevo comentario