Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 36): Cómo lidiar con mercados financieros sesgados"

Nuevo comentario
 

Artículo publicado Aprendizaje automático y Data Science (Parte 36): Cómo lidiar con mercados financieros sesgados:

Los mercados financieros no están perfectamente equilibrados. Algunos mercados son alcistas, otros bajistas y otros presentan comportamientos laterales que indican incertidumbre en cualquier dirección. Esta información desequilibrada, cuando se utiliza para entrenar modelos de aprendizaje automático, puede resultar engañosa, ya que los mercados cambian con frecuencia. En este artículo vamos a analizar varias maneras de abordar este problema.

Los distintos mercados de divisas e instrumentos financieros presentan comportamientos diferentes en distintos momentos. Si bien algunos mercados financieros, como las acciones y los índices, suelen ser alcistas a largo plazo, otros, como los mercados de divisas, suelen mostrar comportamientos bajistas y mucho más. Esta incertidumbre añade complejidad a la hora de intentar predecir el mercado utilizando técnicas de inteligencia artificial (IA) y modelos de aprendizaje automático (ML).

Aprendizaje automático y Data Science (Parte 36): Cómo lidiar con mercados financieros sesgados


Autor: Omega J Msigwa

 
Gracias, You Omega , Apreciamos que poner esto juntos , Bais es algo que todos tememos. He downloadted los archivos adjuntos , ¿Puedo sugerir que incluye todos los componentes necesarios . Afortunadamente usted tiene el github por lo que fue capaz de encontrar e instalar los requisitos previos (preprossing.mqh, plots.mqh ,Matrixextend.mqh, metrics.mqh y Random Forext.mqh). Desafortunadamente me encuentro con el mensaje ' Init - Undeclared Identifier ' de la línea if (!random_forest.Init(StringFormat("%s.%s.%s.onnx", symbol_, EnumToString(timeframe_), technique_name), ONNX_COMMON_FOLDER)) //Inicializando el RFC en formato ONNX desde una carpeta común. Lo he comprobado y tengo USDJPY.PERIOD_D1.randomundersampling.onnx en la carpeta MQL5\Common
 
linfo2 USDJPY.PERIOD_D1.randomundersampling.onnx en la carpeta MQL5\Common

Los componentes necesarios son la última versión de todo lo importado dentro del cuaderno, puedes hacer pip install sin preocuparte de los conflictos de versiones. Alternativamente, usted puede seguir el enlace en la tabla de archivos adjuntos, que te lleva a Kaggle.com donde se puede editar y modificar el código.

Identificador no declarado, podría significar que una variable o un objeto no está definido. Inspeccione su código o DM me envíe una captura de pantalla del código.

 
Los resultados de la prueba no son creíbles. El periodo de prueba incluye el periodo de los datos de entrenamiento. El modelo funcionará bien en el conjunto de datos de entrenamiento y mal en el conjunto de datos de prueba. Puede ver que muchos resultados de la prueba se encuentran en el intervalo de tiempo de 2024.07.06 a 2025.01.01. El modelo funciona mal, mientras que el rendimiento del modelo en el tiempo anterior es excelente. He calculado que el conjunto de entrenamiento representa el 80%. Los datos no se alteran para la asignación aleatoria, y el conjunto de entrenamiento y el conjunto de prueba se asignan directamente por orden. El modelo reconoce los datos de entrenamiento anteriores, pero no los datos de prueba posteriores. Ha utilizado los datos de entrenamiento en la prueba, lo que dará lugar a resultados globales inflados, y el rendimiento en los datos de prueba posteriores es muy pobre, con pérdidas. Entonces, el centroide del cluster tampoco es fiable. El clustering utiliza todos los datos, y los datos globales se utilizarán para el clustering y después para el entrenamiento. Por lo tanto, los datos de entrenamiento utilizados por este método incluyen el rango temporal de 2023.01.01~2025.01.01. Puede decirse que se trata de una prueba completamente sobre los datos de entrenamiento, sin pruebas sobre datos desconocidos. Los datos de entrenamiento y los datos de prueba deben distinguirse estrictamente en orden cronológico. Sólo se pueden utilizar datos de prueba para probar el rendimiento del modelo, como 2023.01.01~2024.01.01 como datos de entrenamiento, y 2024.01.01~2025.01.01 como datos de prueba. El modelo de prueba sólo puede probarse con datos de prueba. No debe haber riesgo de fuga de información, ya que de lo contrario todo el buen rendimiento del modelo será poco fiable.
Nuevo comentario