L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1612
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
Je m'occupe de telles stratégies depuis six mois, le résultat maximal sur les backtests est de x5 pendant un an, mais une fois par an je suis sûr de tout perdre et il est impossible de résoudre ce problème.
Ouais, eh bien... C'est une honte pour les gens.
Alors, qu'est-ce qui se passe avec la diffusion de votre système ?
Ouais, eh bien... C'est une honte pour les gens.
Alors, qu'est-ce qui se passe avec la diffusion de votre système ?
J'ai fait tourner le système dans le testeur la semaine dernière et j'ai été une fois de plus convaincu que "l'aide" en mettant des filtres etc. mène au fait que l'effort dépensé pour former le système cette "aide" ne mène qu'à un résultat négatif et ce résultat sur des données connues et formées, que dire lorsque les données arrivent en temps réel (brutes).
J'ai fait tourner le système dans le testeur la semaine dernière et j'ai été une fois de plus convaincu que "l'aide" pour définir des filtres, etc. conduit au fait que l'effort dépensé pour former le système cette "aide" ne mène qu'à un résultat négatif et ce résultat sur les données connues et formées, que dire lorsque les données arrivent en temps réel (brutes).
Nous avons deux vecteurs de variables, la bougie actuelle et la précédente ("-1")
a = " open ", " high ", " low ", " close ", " center ".
b = " open-1 ", " high-1 ", " low-1 ", " close-1 ", " center-1 ".
la variable "centre" est le milieu du chandelier (haut+bas)/2, sans cette variable il est impossible de décrire une figure comme "eskimo" etc. Je pense que la signification des autres variables n'est pas nécessaire à expliquer, elles sont évidentes.
Créons donc toutes les combinaisons logiques possibles (qui peuvent aussi être non logiques).
Juste deux bougies, misérable deux bougies.....Bon sang, je ne sais même pas quoi dire. Les bibliothèques sur les réseaux neuronaux sont devenues si accessibles que les gens en oublient même le bon sens, ou quoi ?
Il est évidemment absurde de multiplier les entités, alors que dans tous les manuels initiaux sur n'importe quel type d'analyse, il est écrit qu'il est nécessaire de se débarrasser des entités redondantes pour obtenir des résultats.
Eh bien, si vous créez des variables si elle est plus élevée d'un chiffre, de deux, d'un tiers, etc., alors deux chandeliers peuvent donner 1000))).
Si vous pensez que le ratio de prédicteurs est si important pour votre modèle et qu'il doit nécessairement être alimenté à l'entrée, alors créez une sorte de couche de convolution, mais pour multiplier les prédicteurs, oui...
Mec, je ne sais même pas quoi dire. Les bibliothèques de réseaux neuronaux sont devenues si accessibles que les gens en oublient le bon sens, ou quoi ?
Il est évidemment absurde de multiplier les entités, alors que tous les manuels primaires pour tout type d'analyse disent qu'il est nécessaire de se débarrasser des entités inutiles pour obtenir des résultats.
Eh bien, si vous créez des variables si elle est plus élevée d'un chiffre, de deux, d'un tiers, etc., alors deux chandeliers peuvent donner 1000))).
Si vous pensez que le ratio de prédicteurs est si important pour votre modèle, et que vous devez nécessairement l'alimenter à l'entrée, alors créez une sorte de couche de convolution, mais pour multiplier les prédicteurs, yadaa....
oops.... enfants....
Pour se débarrasser des entités superflues , il faut d'abord comprendre ce qui est superflu ! Sur les 1000 caractéristiques des candidats, pouvez-vous choisir les 5 plus importantes à l'œil nu ?
oops.... enfants....
Pour se débarrasser des entités superflues , il faut d'abord comprendre ce qui est superflu ! Pour le comprendre, il faut examiner les options ! Ou connaissez-vous un autre moyen ? Pouvez-vous, parmi des milliers de prétendants, choisir à l'œil 5 personnes importantes ?
Vous avez fait beaucoup de travail, étudié beaucoup de matériel, passé beaucoup de temps. Quel est l'intérêt d'essayer de vous faire changer d'avis...
Vous avez fait beaucoup de travail, étudié beaucoup de matériel, passé beaucoup de temps. Eh bien, je ne peux pas vous faire changer d'avis sur quoi que ce soit.
S'il y a des arguments, j'aimerais les entendre.
Si les arguments sont objectifs, je serais heureux de vous faire changer d'avis.
Si vous vous êtes rendu compte que vous en aviez trop dit et que vous avez décidé de passer gentiment à autre chose, cela n'a pas fonctionné ;))
S'il y a des arguments, je serais ravi de les entendre.
Si les arguments sont objectifs, je serais heureux de changer d'avis et de devenir plus sage.
Si vous vous êtes rendu compte que vous en avez trop dit et que vous avez décidé d'abandonner, c'est raté)).
Quels arguments, si vous le faites, cela signifie que soit vous ne comprenez pas quelque chose, soit c'est moi.
L'essence de ma surprise - un modèle enseignable, nous en parlons ici, doit être formé sur des données brutes.
Si les données d'entrée sont corrélées, elles doivent être réduites à non corrélées. Mais vous faites le contraire - vous multipliez les données originales, fortement corrélées entre elles.
Voici un exemple - nous apprenons au modèle à classer les nuances de couleurs par 3 chiffres - RGB. Trois chiffres, c'est de la donnée brute pure ! !! Dans votre approche, vous devez faire des prédicteurs comme :
1- R 2-G 3-B - 4 Plus de rouge 5 - Plus de vert 6- Plus de rouge que de vert et de bleu réunis .... 100500 Pas aussi rouge qu'il le serait si le vert était aussi rouge que le bleu. ))
Le modèle lui-même ne devrait-il pas apprendre ? il dispose des données brutes et c'est à cela qu'il sert !
Quels arguments, si tu fais ça, ça veut dire que soit tu ne comprends pas quelque chose, soit c'est moi.
Le point de ma surprise est qu'un modèle entraîné, dont nous parlons ici, doit être entraîné sur les données brutes.
Si les données d'entrée sont corrélées, elles doivent être réduites à non corrélées. Mais vous faites le contraire - vous multipliez les données originales, fortement corrélées entre elles.
Voici un exemple - nous apprenons au modèle à classer les nuances de couleurs par 3 chiffres - RGB. Trois chiffres, c'est de la donnée brute pure ! !! Dans votre approche, vous devez faire des prédicteurs comme :
1- R 2-G 3-B - 4 Plus de rouge 5 - Plus de vert 6- Plus de rouge que de vert et de bleu réunis .... 100500 Pas aussi rouge qu'il le serait si le vert était aussi rouge que le bleu. ))
Le modèle ne doit-il pas l'apprendre par lui-même, il a les données d'entrée et c'est à cela qu'il sert !