L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1609
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
ça s'appelle l'empilement de modèles. Ce ne sera pas la même chose, mais pas nécessairement plus efficace. Je l'ai fait de cette façon, je n'ai pas vu d'amélioration.
Il existe un autre moyen, appelé méta-apprentissage. Vous entraînez le premier modèle à prédire les classes, puis vous obtenez les résultats et les introduisez dans le second modèle, sur les mêmes prédicteurs ou d'autres, qui autorise/refuse les échanges du premier modèle. 1 - négocier, 0 - ne pas négocier, en fonction de la qualité des premières prédictions du modèle, c'est-à-dire une sorte de filtre. Elle réduit fortement les erreurs sur les données d'apprentissage, mais pas autant sur les nouvelles données (si le modèle a une faible capacité de généralisation). Mais le méta-entraînement en lui-même est correct.
Vous pouvez entraîner le premier modèle sur certaines données et le méta-modèle sur d'autres données, sur les erreurs du premier modèle. Il peut y avoir différentes variantes. Je l'ai fait dans les deux sens, en général il y a une amélioration, mais c'est plus une mise au point, plutôt qu'un moyen d'obtenir un bon modèle qui fonctionnera en retour.
Vous pouvez googler Marcos Lopez De Prado "meta learning", à propos du commerce.
Merci pour l'info, mais j'ai envisagé de diviser les prédicteurs en plusieurs parties afin d'économiser les ressources informatiques pendant l'entraînement, mais je n'ai pas assez de temps pour entraîner par exemple 10 prédicteurs dans le modèle en même temps...
Je ne veux pas réduire la taille des prédicteurs avec l'ACP ou autre, car je dois d'abord choisir les prédicteurs importants. Je réfléchis donc à la manière de décomposer le modèle général en modèles PDP avec une perte minimale d'informations.
Merci pour l'information, mais j'envisageais de diviser les prédicteurs en plusieurs parties afin d'économiser les ressources informatiques pendant la formation, je ne peux pas me permettre de former par exemple 10 prédicteurs d'un modèle en une seule fois...
Je ne veux pas réduire la taille des prédicteurs avec l'ACP ou autre, car je dois d'abord sélectionner les prédicteurs significatifs. Je réfléchis donc à la manière de diviser le modèle général en modèles PDP avec une perte minimale d'informations.
Quels sont les 10 prédicteurs ? Enlevez ceux qui sont en corrélation, voyez l'importance de ceux qui restent grâce à la forêt ou au boosting et il y aura 3-10
Vous ne pouvez pas deviner à 100% de toute façon, cela a été testé, il y aura des prédictions incorrectes dans tous les cas. En effet, les modèles de formation peuvent être répétés, mais le résultat n'est pas nécessairement le même.
Par exemple, voici à quoi cela ressemble. Bien sûr, je n'ai peut-être pas une très bonne approche pour sélectionner les modèles (données formalisées), mais j'ai du mal à croire que des prédictions 100% correctes soient possibles.
Quels sont les 10 prédicteurs ? Enlevez ceux qui sont corrélés, regardez l'importance de ceux qui restent à travers la forêt ou le boosting et vous vous retrouvez avec 3-10
Et si les prédicteurs sont des règles logiques ? :)
Et si les prédicteurs sont des règles logiques ? :)
on s'en moque, il n'y a pas autant de prédicteurs, ce n'est pas un modèle, c'est de la merde.
peut-être quelque part dans le moteur de recherche ou l'analyse d'image peut-être, mais pas pour les citations à coup sûr
Sous quelle forme alimentez-vous les niveaux du réseau neuronal ?
On s'en fout, il n'y a pas autant de prédicteurs, ce n'est pas un modèle, c'est de la merde.
Pourquoi ?
Plus le modèle est "riche", plus il est mauvais ?
En particulier si vous ne savez pas vous-même quelle combinaison de prédicteurs est la meilleure, ne serait-il pas juste d'introduire toutes les options possibles dans le modèle et d'examiner ensuite l'importance des prédicteurs en termes de modèle ?Sous quelle forme alimentez-vous les niveaux du réseau neuronal ?
Non non non, j'ai essayé d'en utiliser un à deux niveaux, mais je n'ai pas obtenu le résultat escompté, comme je l'ai écrit plus haut, peut-être que la sélection non optimale des données (dans certains cas contradictoires) n'a pas permis de voir un indice d'un résultat logiquement correct. Jusqu'ici, juste les habituelles couches neuroniques. Avant de construire un réseau multicouche, vous devez savoir si chaque couche, prise isolément, apportera la bonne solution.
Non non non, j'ai essayé d'utiliser le bi-niveau, mais je n'ai pas obtenu le résultat escompté, comme je l'ai écrit plus haut, peut-être que la sélection non optimale des données (dans certains cas contradictoires) n'a pas permis de voir le moindre indice d'un résultat logiquement correct. Jusqu'à présent, seulement les couches neuroniques habituelles. Avant de construire des réseaux multicouches, vous devez comprendre si chaque couche vous apporte la bonne solution en soi.
Désolé, je voulais dire niveaux de soutien et de résistance