L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3042
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Extraire quelques "bonnes" règles/stratégies des données...
Etape complète
1) transformation et normalisation des données
2) entraînement du modèle
3) extraction de règles
4) filtrage des règles
5) visualisation
code prêt à l'emploi, il suffit de substituer vos données.
La question est la suivante : si l'on peut trouver des "CT de travail" au hasard, quels sont les moyens de prouver que les CT trouvées sur des données réelles ne sont pas aléatoires ?
Alexey le fait ici, je me demande s'il existe un test statistique pour ce genre de tâches ?
Pourquoi ? Pour surpasser Lilith ? Bien que ..... ... ... ... J'aimerais )))))))))))))))))))))))) Un outil vraiment cool dans des mains habiles).
Pourquoi ? Pour surpasser Lilith ? Mais qu'est-ce que ..... ... ... ... sya)))))))) C'est un outil vraiment cool entre de bonnes mains).
Il s'agit d'une programmation de niveau méta, et elle connaît parfaitement le langage Python. Je fais aussi des invites vocales en m'allongeant sur le canapé. Il m'arrive souvent d'avoir des idées, mais je suis trop paresseux pour réécrire ce code :)
Je suis d'accord, la bonne question est un méta-niveau))))
Bien et vérifier l'exactitude de l'exécution du code)Je suis d'accord, une question correctement posée est un méta-niveau)))))
Bien et vérifier l'exactitude de l'exécution du code)Extraire quelques "bonnes" règles/stratégies des données...
Étape complète
1) transformation et normalisation des données
2) Entraînement du modèle
3) extraction de règles
4) filtrage des règles
5) visualisation
code prêt à l'emploi, il suffit de substituer vos données
La question est la suivante : si vous pouvez trouver des "CT de travail" au hasard, comment pouvez-vous prouver que les CT trouvés sur des données réelles ne sont pas aléatoires?
Alexey le fait ici, je me demande s'il existe un test statistique pour ce genre de tâches?
Le principal problème de l'application de matstat à de tels problèmes est que la recherche de CT est effectuée par sélection à partir d'un grand nombre de variantes. Il est toujours possible de choisir quelque chose de très beau parmi un grand nombre de variantes - par un exemple simple, j'ai montré ici que, en modélisant les prix comme des SB, on peut toujours "trouver" une bonne heure de la semaine pour le trading. Et ce n'est qu'à partir de 120 variantes que l'on peut choisir.
Le matstat ne dit pas que le TS sélectionné est nécessairement mauvais, il dit seulement qu'un tel résultat PEUT (PAS DOIT) être simplement le résultat d'une sélection à partir du SB.
Extraire quelques "bonnes" règles/stratégies des données...
J'obtiens une erreur au démarrage
Une question purement théorique s'est posée : un modèle ONNX peut-il être utilisé pour dériver un autre modèle ONNX. Par exemple, le premier modèle est utilisé pour se réentraîner périodiquement sur de nouvelles données et mettre à jour le modèle de travail. Autrement dit, sans utiliser python, etc.
A première vue, il est peu probable que cela soit possible, mais au cas où quelqu'un aurait essayé de faire quelque chose comme ça.
Je n'ai pas réussi à obtenir de réponses significatives de l'IA - elle écrit qu'elle peut le faire et cite des références qui n'ont rien à voir avec la question).