L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1811
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
La discrétisation est une absurdité, vous pouvez utiliser la régularisation. L'entraînement supplémentaire du modèle au cours de la négociation est également un non-sens, il ne fonctionnera pas.
C'est trop radical))))
Aussi radical que possible)))
Vous ne pouvez pas trouver un modèle par ces moyens, c'est juste du zafit. Comment remplir une fente avec de la ouate
Le do-learning ne change pas la façon de chercher, mais ajoute de nouvelles données pour l'apprentissage. Pourquoi est-ce une mauvaise chose ?
La séparation est plus complexe, et il n'y a pas de logiques directes, comment en être sûr ?
L'apprentissage à la demande ne change pas la façon dont vous effectuez vos recherches, mais il ajoute de nouvelles données pour l'apprentissage. Pourquoi est-ce mauvais ?
La séparation est plus compliquée et il n'y a pas de logiques directes, comment pouvez-vous être sûr ?
Parce qu'il s'agit d'un entraînement par fenêtre glissante, qui est tout aussi recyclé. Et il ne peut être contrôlé sur de nouvelles données
Contrôle uniquement par le fait de l'évaluation de la dernière fenêtre, et seulement lorsque les nouvelles caractéristiques de la série sont devenues significatives et que nous avons un décalage. Si nous sommes sérieux, il est nécessaire de s'entraîner sur toutes les données en minimisant le décalage. Il s'agit juste d'une variété de séries.
Il est fort probable que la nouvelle donnée répète un autre outil, qui n'a pas été impliqué dans la formation.
Le contrôle n'intervient que lorsque la dernière fenêtre a été évaluée, et ensuite seulement lorsque les nouvelles caractéristiques de la ligne sont devenues significatives et que nous avons obtenu un décalage. Il y a beaucoup de données aujourd'hui, et si nous sommes sérieux, nous devons nous entraîner sur toutes les données en minimisant le décalage. Il s'agit juste d'une variété de séries.
Il est tout à fait possible que les nouvelles données répètent un autre outil qui n'a pas été impliqué dans la formation.
Je ne vois pas de différence entre la formation sur toutes les données et la fenêtre glissante. Si les caractéristiques d'une série évoluent de manière très régulière, cela a du sens. Mais il n'y a rien de tel sur le marché.
Il est logique d'avoir une bible des caractéristiques obtenues, rien de plus. Ce n'est pas une solution complète, mais cela permet de trouver des répétitions sur différents instruments à différents moments. Et seulement comme données auxiliaires pour la fenêtre glissante.
le point est seulement dans la bibliographie des caractéristiques obtenues, rien de plus. Ce n'est peut-être pas une solution complète, mais elle permet de trouver des répétitions sur différents instruments à différents moments. Et seulement comme données auxiliaires pour la fenêtre glissante.
Quelles caractéristiques ? Il y aura un tableau de poids NS qui ne sont pas interprétés.
Oui, il y a une incohérence entre les désirs et les instruments. Vraiment un tableau de poids avec NS sera insuffisant. et il n'est guère possible d'en tirer des interprétations)
La caractéristique d'une série est le modèle mathématique le plus simple possible qui la décrit avec une erreur suffisamment petite)))).
Vladimir Perervenko:
...
C'est une grande illusion que de pouvoir entraîner un modèle sur un large éventail de données passées et de l'utiliser ensuite pendant longtemps sans le réentraîner.
...
La durée est ce qu'elle est - j'ai un modèle qui a fonctionné pendant au moins six mois du côté positif. Je l'ai découvert il y a environ un mois, alors que je parcourais de vieilles archives de fichiers - j'ai pris un modèle et il fonctionne, mais maintenant je ne sais pas comment il a été formé - modèle CatBoost.
Un autre exemple - également construit sur des feuilles, dont la plupart sont collectées sur l'échantillon 2014-2018 inclus, un arbre en février 2020, qui est utilisé comme un filtre, et cette synergie fonctionne bien en 2020.
Cependant, je n'ai pas pris le risque de mettre de l'argent sur tout cela - et c'est mon erreur.
Maintenant, je suis hanté par la pensée que juste au moment où j'approche du critère de longueur, tout s'écroule.