L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 854
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
Pour moi ? J'ai déjà résolu le problème. Maintenant je pense à quelque chose d'autre à faire. Python ou R. Je n'ai pas encore de nouvelles idées.
Alors comment évaluer le modèle ? Ou vous obtenez toujours le même modèle lorsque vous construisez le même ensemble encore et encore. C'est vrai ?
Vous avez raison, vous avez raison, mais la tâche de l'IA se situe précisément dans les séries non stationnaires, où le modèle est flottant. La tâche de l'IA est de la faire fonctionner lorsque cette relation s'enfuit, même si ce n'est que pour une courte durée, mais suffisamment longtemps pour gagner de l'argent. Après tout, le modèle ne change pas à pas de géant. À la place de la première entrée principale, il y en a une autre, mais la principale reste dans le jeu et c'est l'IA qui prend sur elle la charge de tenir la ligne, comme on dit. C'est pourquoi, au cours du premier mois du contrat à terme, il faut s'entraîner très souvent, surtout lorsque le marché ne sait pas où aller. En regardant le Vtrite, je peux voir ce modèle danser autour. Mais au milieu et à la fin des contrats à terme, en règle générale, le marché devient plus ordonné et une entrée domine pendant longtemps.
Mec, tout le monde travaille à partir du moment ou quelques jours avant la clôture du marché à terme précédent. Que diable est le premier mois ?
le modèle varie de façon chaotique et les déviations dans les modèles augmentent de façon exponentielle avec le temps.
tout approximateur (sauf, en partie, RNN ou LSTM) ne peut pas résoudre de tels problèmes
tous les articles sur les statistiques, avec des tentatives de les appliquer au marché sous leur forme actuelle - peuvent être jetés et ne pas y prêter attention
les efforts principaux devraient être concentrés sur les méthodes de travail dans un environnement non stationnaire, dont l'une est suggérée par Alexander (à condition de ne pas avoir de signes qui ont un effet stationnaire sur un quotient, qui ne peut être extrait du quotient lui-même, a-priori)Quelle est donc la méthode d'estimation du modèle ? Ou est-ce que vous obtenez toujours le même modèle lorsque vous construisez le même ensemble à plusieurs reprises ? C'est ça ?
Probablement différent, qui sait. Il est entraîné sur une séquence aléatoire.
Probablement différent, qui sait. Il est entraîné sur une séquence aléatoire.
OK, alors comment choisir le bon ???? Ou bien finissent-ils tous par donner le même résultat sur la boucle de rétroaction ???
Dans mon cas, tous les modèles fonctionnent différemment sur la boucle de rétroaction.....
OK, alors comment choisir le bon ???? Ou bien finissent-ils tous par donner le même résultat sur la boucle de rétroaction ???
J'ai tous les modèles qui fonctionnent différemment sur l'o.c.p......
Je n'ai qu'un seul modèle - nc-60 neurones. Il n'y a pas besoin de choisir. Nous nous entraînons, nous travaillons.
Oui, le retour d'information - qu'est-ce que c'est ?
Je n'ai qu'un seul modèle - NS -60 neurones. Vous n'avez pas à choisir quoi que ce soit. Nous nous entraînons, nous travaillons.
Ouais, c'est quoi l'O.C.D. ?
Euh... Geez........ Vous avez un NS, mais lorsque vous l'entraînez, vous obtiendrez toujours des poids de neurones différents. TOUJOURS DIFFÉRENT. Cela fonctionnera de la même manière dans la zone d'entraînement. Mais à chaque fois que vous l'entraînerez, vous obtiendrez toujours un NS différent et la différence se trouve dans les coefficients des neurones. Nous pouvons donc déterminer statistiquement que cette NS fonctionnera mieux à l'avenir avec cet ensemble particulier de probabilités que celui-ci. N'est-ce pas ? Ou je ne comprends pas quelque chose. Dans P, tout est cousu à l'intérieur de...... comme je le comprends...
Ouais... Geez...... Vous avez un NS, MAIS lorsque vous l'entraînez, vous obtiendrez toujours différents coefficients de pondération des neurones. TOUJOURS DIFFÉRENT. Cela fonctionnera de la même manière dans la zone d'entraînement. Mais à chaque fois que vous l'entraînerez, vous obtiendrez toujours un NS différent et la différence se trouve dans les coefficients des neurones. Nous pouvons donc déterminer statistiquement que cette NS fonctionnera mieux à l'avenir avec cet ensemble particulier de probabilités que celui-ci. N'est-ce pas ? Ou je ne comprends pas quelque chose. C'est juste que dans R, tout est cousu à l'intérieur...... comme je le comprends...
Je ne travaille pas en R.
Oui, c'est toujours un NS différent à chaque entraînement. Je le vérifie, le seul, sur un BP indépendant, et c'est parti pour le réel. Au fait, pour les futurs.
Je ne travaille pas en R.
Oui, c'est toujours un NS différent à chaque formation. Je le vérifie, le seul, sur un BP indépendant, et c'est parti pour le réel. Au fait, sur les contrats à terme.
Je l'ai également testé sur un BP indépendant. Ma stratégie de base me permet de créer une telle BP sans perdre de temps. Mais il s'est avéré qu'il est préférable d'utiliser les méthodes calculées dans mon exemple. Ainsi, il est statistiquement plus fiable de comprendre dans quelle mesure votre modèle porte des informations sur la sortie.....