L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2555
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
Alors pourquoi la classe ne prédit-elle pas correctement ? Parce que les citations ne sont pas ce que le modèle attend, mauvaise distribution. Si nous générons des devis à partir de la bonne distribution, c'est probablement bon...
Essayez-le, je ne me souviens pas si je l'ai fait ou non, j'ai eu une idée similaire.
Mais il n'y a probablement aucun lien entre le passé et le futur. En d'autres termes, l'état futur de n barres n'est pas facile à prévoir, et peut être plus difficile qu'un ou deux pas en avant.Essayez-le, je ne me souviens pas si je l'ai fait ou non, j'ai eu une idée similaire.
mais il n'y a probablement aucun lien entre le passé et le futur. En d'autres termes, l'état futur pour n barres n'est pas facile à prévoir, et peut même être plus difficile que pour 1 ou 2 étapes à venir.En partant du principe que le modèle doit également fonctionner à l'avenir, il y aura toujours des erreurs de toutes sortes (y compris du bruit), et le défi consiste à trouver un équilibre. Nous parlons donc de la même chose, en substance.
En fait, j'ai résolu ce problème d'une manière différente, donc j'écris des questions principales.
Si l'on considère la situation d'un point de vue global, je suis d'accord avec vous. Quel que soit le jeu d'algorithmes retenu au final, les problèmes rencontrés lors de son utilisation seront toujours les mêmes.
À propos, une idée quelque peu similaire (rejet des transactions dont les indicateurs sont éloignés des valeurs typiques) a été exprimée par fxsaber dans son blog aujourd'hui.
D'un point de vue global, je suis d'accord avec vous. Quel que soit le jeu d'algorithmes utilisé au final, les problèmes rencontrés lors de son utilisation seront toujours les mêmes.
À propos, une idée quelque peu similaire (éjection des transactions dont les valeurs d'indicateur sont éloignées des valeurs typiques) a été exprimée par fxsaber dans son blog aujourd'hui.
Je suis tout à fait d'accord. Les fluctuations dans le couloir avec une largeur dynamique impliquent un choix d'équilibre dans la prévision et sa probabilité.
Pouvez-vous dire à un débutant si l'optimisation d'un EA dans un testeur/optimiseur est MO ?
L'optimisation ressemble davantage au processus d'entraînement d'un réseau neuronal.
Il existait même des solutions pour automatiser l'optimisation afin d'obtenir les ensembles les plus pertinents.
Une conférence sur la sélection de modèles
pour qu'il n'y ait pas de malentendu, pour ainsi dire
Un nouveau venu, l'optimisation d'un EA dans un testeur/optimiseur est-elle une MO ?
Le MO n'est qu'un ensemble d'algorithmes. Pour certains d'entre eux, l'optimisation du testeur est suffisante. Par exemple, si vous avez besoin de trouver le K optimal dans KNN. Mais la plupart des algorithmes ont leur propre méthode d'optimisation. Par exemple, la descente de gradient dans les réseaux neuronaux.
En général, la réponse dépend de la capacité à adapter le modèle spécifique aux algorithmes d'optimisation donnés (force brute et optimisation génétique).
Une conférence sur la sélection de modèles
pour qu'il n'y ait pas de malentendu, pour ainsi dire.
Vorontsov est probablement le meilleur expert du ministère de la défense en Russie. Le cours est donc forcément bon, mais comme il s'adresse aux informaticiens, il omet des mathématiques fondamentales et importantes pour nous. J'ai remarqué à plusieurs reprises que pour l'application des méthodes mathématiques dans le trading, peu d'entre elles conviennent dans leur forme de base, simplifiée.
La MO est basée (voir par exemple Tibshirani) sur l'hypothèse qu'il existe une distribution conjointe constante des prédicteurs et des réponses P(X,Y). A partir de celle-ci, on peut calculer la probabilité conditionnelle Py(Y|X), à partir de laquelle on peut calculer la régression Y=f(X). Finalement, cette régression est approximée par certains modèles MO. Dans le monde physique, cette théorie fonctionne plus ou moins bien. Mais pas dans le commerce. Il s'avère que P(X,Y) change de manière imprévisible avec le temps (non-stationnarité) et toute la théorie s'effondre un peu.
L'approche la plus populaire consiste à ignorer la non-stationnarité, puis à être surpris par les résultats et à se plaindre de l'IR).