L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 80
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
L'homme recommande de lire "MSUA" et l'analyse spectrale en particulier Fourier
========================================================
Plus loin quels résultats j'ai "démagogue" ont atteint, mais en fait très modeste, de bonnes idées que je pense beaucoup, ma recherche va dans de nombreuses directions simultanément et il ya un énorme manque de connaissances dans divers domaines, parce que souvent demander de l'aide aux participants du forum, mais surtout pour aider et personne ne veut, ils disent que vous apprenez vous-même, et puis..... seulement si je me suis maîtrisé tout alors pourquoi je fais cette communication, comme sans logique, je suis distrait.
la meilleure chose que j'ai obtenu de rf avec les nouvelles données est 50% par mois pendant 2 mois, mais ce n'est pas encore stable, j'ai essayé 10 fois de télécharger des photos, mais rien ne fonctionne.
Le point est que vous n'avez pas à vous limiter initialement à des modèles comme 30% par an est cool, ce n'est pas cool, ce cadre pour l'esprit et la créativité.
Félicitations. C'est comme ça que tu fais du commerce pendant 5 ans. Ou montrez-moi des données sur les statistiques réelles pendant 5 ans.
Et à propos des signes, je ne veux pas faire d'analyse de canapé ici, comme si vos signes étaient nuls, il y a de meilleurs signes, les modèles ne sont pas importants. Eh bien, montrez-moi ce que vous avez fait. J'ai affiché toutes mes entrées ici, ainsi que leurs combinaisons. Comptez leur valeur informative. Sinon, pourquoi tu te balancerais dans l'air ?
Que signifie "RF 10/5" ?
Oui, je faisais une note sur l'image lorsque je testais le modèle avec de nouvelles données, n'y prêtez pas attention .....
c'est un paramètre du modèle 5 arbres 10 branches dans un arbre
Oui, je faisais une note sur l'image lorsque je testais le modèle avec de nouvelles données, n'y prêtez pas attention .....
c'est le paramètre du modèle 5 arbres 10 branches dans un arbre
Très intéressant !
Pouvez-vous nous donner des détails ?
Voici le meilleur que j'ai pu tirer de RF sur les nouvelles données est de 50% par mois pendant 2 mois d'affilée, mais il est toujours très instable, j'ai essayé de télécharger des photos 10 fois mais ça ne fonctionne pas (compris)
Le fait est que nous ne devrions pas nous limiter avec des modèles tels que 30% par an est cool, ce n'est pas cool, c'est un cadre pour l'esprit et la créativité.
C'est très intéressant !
Pouvez-vous nous donner des détails ?
s'agit-il d'un contre-test sur des données hors échantillon ? Est-ce que j'ai bien compris ?
oui
On dirait une mauvaise formation du modèle, trop de variations. Les modèles ont généralement une sorte de processus d'apprentissage aléatoire où la logique d'apprentissage n'est pas définie de manière cohérente. Ces moments aléatoires conduisent au fait que si vous entraînez plusieurs modèles, ils donneront à peu près les mêmes résultats sur les données d'entraînement, mais sur le fronttest, il y aura des différences.
Il existe plusieurs sources du problème et de ses solutions :
1) il existe des entrées de bruit qui ne fournissent pas d'informations utiles, elles doivent être supprimées
2) modifier les paramètres de formation du modèle. Pour neuronkey j'ai résolu ce problème en utilisant le paramètre decay, les résultats du fronttest avec ce paramètre sont devenus moins dispersés. Ce qu'il faut faire avec la forêt, je ne le sais pas.
3) Faites un comité de modèles. Entraîner de nombreux modèles, faire un fronttest sur tous les modèles, prendre le résultat où la plupart des gens disent
4) si vous faites une validation croisée pendant la formation, répétez-la plusieurs fois sur les mêmes données, voyez combien de variation dans les résultats, choisissez des modèles et des prédicteurs avec une faible variation.
C'est ce qui me vient à l'esprit maintenant, mais ce n'est pas la limite des problèmes possibles.
Développez l'idée. Ajoutez plus de données. Il devrait falloir quelques années pour sortir de l'échantillon. Sinon, bien joué !