L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2595
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
Il s'avère ensuite que vous devez vous entraîner sur une section aussi courte que possible. Ainsi, après le changement de motif, le nouveau motif commence à fonctionner plus rapidement.
Par exemple, si vous vous entraînez pendant 12 mois, après un changement de schéma dans 6 mois, le nouveau et l'ancien schéma seront à 50/50. Et après environ un an, il y aura une formation et des échanges sur le nouveau modèle. C'est-à-dire que pendant presque une année entière, le modèle a été négocié sur un modèle périmé et très probablement perdant.
Si vous vous entraînez pendant un mois, le motif réapprendra à fonctionner correctement dans un mois.
Ce serait bien de s'entraîner pendant une semaine... Mais il n'y a pas assez de données.
Ce n'est pas du tout la peine d'y aller pour une courte période, j'en suis sûr. Et les données manqueront pour les modèles et le risque de surajustement aux conditions du marché. Le concept d'adaptation semble bon, mais en raison du décalage (pendant l'accumulation des données, l'état peut déjà avoir changé), il n'est guère un graal. Plusieurs modèles peuvent être essayés en même temps - l'un est responsable des modèles à long terme, un autre/les autres des modèles à court terme (actuels), la solution est une fonction des solutions de tous ces modèles.
L'utilisation de la MO dans le commerce soulève des questions plus intéressantes. Par exemple, l'algorithme de détermination de l'intervalle d'histoire à prendre pour la formation. Il est peut-être possible de le définir par des méta-paramètres qui sont optimisés par validation croisée. Je dois lire Prado).
C'est probablement mieux de rouler vers l'avant, il y a toujours des OOS après le train. Sur SW, seule la première passe sera comme ça, d'autres utiliseront les données pré et post-trane pour le trane.
Ce n'est pas du tout la peine de s'en aller à court terme, j'en suis sûr. Et il y aura un manque de données pour les modèles et un risque de surajustement aux conditions du marché. Le concept d'adaptation semble bon, mais en raison du décalage (le temps que vous accumuliez les données, l'état peut avoir déjà changé), il n'est guère un graal. Vous pouvez essayer plusieurs modèles à la fois - l'un est responsable des modèles à long terme, un autre/les autres des modèles à court terme (actuels), la solution est une fonction des solutions de tous ces modèles.
Selon des expériences récentes sur 5000 lignes de M5 (environ 2 mois) il y a quelque chose d'intéressant. A 3000, c'est déjà mauvais. Mais c'est pour les puces spécifiques + la cible prise. Peut-être y a-t-il un ensemble différent de caractéristiques et de cibles lorsque le modèle fonctionne après un entraînement sur une parcelle courte. Nous devrons expérimenter...
Cela dépend du nombre de fonctionnalités, j'aime avoir plus de fonctionnalités, généralement 5000 n'est pas suffisant, si vous avez jusqu'à 5 fonctionnalités, peut-être 5000 est ok.
Il s'avère ensuite que vous devez vous entraîner sur une section aussi courte que possible. Ainsi, après le changement de motif, le nouveau motif commence à fonctionner plus rapidement.
Par exemple, si vous vous entraînez pendant 12 mois, après un changement de schéma dans 6 mois, les nouveaux et les anciens schémas seront à 50/50. Et après environ un an, il y aura une formation et des échanges sur le nouveau modèle. C'est-à-dire que pendant presque une année entière, le modèle a été négocié sur un modèle périmé et très probablement perdant.
Si vous vous entraînez pendant un mois, le motif réapprendra à fonctionner correctement dans un mois.
Ce serait bien de s'entraîner pendant une semaine... Mais il n'y a déjà pas assez de données.
Pour le bruit, oui. Je n'y ai pas pensé en termes de sections de l'histoire avec et sans bruit, cependant. Et d'ailleurs, comment cela est-il compris avant la formation des modèles ? Comme, itérativement ? Vous entraînez toute la section, voyez où elle est la plus performante, laissez ces sections et n'entraînez d'abord que ces sections ? Cela donne lieu à la deuxième question que l'on peut qualifier de philosophique avant la validation expérimentale : est-il préférable que le modèle voie immédiatement différentes zones, y compris les zones bruyantes, mais s'entraîne en moyenne dans des données bruyantes ou s'entraîne sur des données plus propres, mais ne voit pas du tout les données bruyantes ?
Et qu'est-ce qui ne va pas avec les tailles géantes ? Outre l'augmentation du temps de calcul ?
C'est probablement mieux avec un transitaire valking, il a toujours des OOS après le trine. Dans SW, seul le premier passage sera comme ça, le reste utilisera les données avant et après le train.
Et si vous ne mélangez pas, c'est comme si vous vous adaptiez à des sections alternées de longueur égale.
C'est probablement mieux avec un transitaire valking, il a toujours des OOS après trayn. Dans SW, seule la première passe sera comme ça, le reste utilisera à la fois avant et après OOS pour les données de suivi.
Je suis d'accord avec vous si vous répondez à la question "Comment faire du commerce sur la prochaine période ?". Si nous répondons à la question "Y a-t-il un modèle dans cette partie de l'histoire ?", alors le RPT est tout à fait applicable.