A la page 8 pour l'instant. Et il s'agit encore d'une introduction))) Il semble qu'il s'agira d'une comparaison par Sharpe (mais ils écrivent que vous pouvez utiliser n'importe quel autre indicateur) sur la validation croisée.
Si j'ai bien compris, 4 paramètres doivent être optimisés
summary(my_pbo)
Performance function Omega with threshold 1
p_bo slope ar^2 p_loss
0.37142861.6891000 -0.01400000.3430000
p_bo ( probabilité de surentraînement dans le backtest) doit être proche de 0, ce qui indique un faible risque de surentraînement.
slope ( coefficient de pente de la régression linéaire) doit être proche de 1, ce qui indique une forte relation linéaire entre les valeurs des métriques de performance pour les sous-ensembles d'entraînement et de test.
ar^2 ( coefficient de détermination ajusté) doit être proche de 1, ce qui indique une bonne précision de la régression linéaire.
p_loss (la proportion des valeurs des mesures de performance pour le sous-ensemble de test qui sont inférieures à un seuil donné) devrait être proche de 0, ce qui indique que la majorité des valeurs des mesures de performance pour le sous-ensemble de test sont supérieures à un seuil donné.
Il convient toutefois de noter que ces valeurs peuvent dépendre de la mesure de performance et de la valeur seuil sélectionnées.
Besoin d'une optimisation multicritères Pareto avant-arrière multicritères
Si j'ai bien compris, il y a 4 paramètres à optimiser
p_bo ( probabilité de surentraînement dans le backtest) doit être proche de 0, ce qui indique un faible risque de surentraînement.
slope ( coefficient de pente de la régression linéaire) doit être proche de 1, ce qui indique une forte relation linéaire entre les valeurs des métriques de performance pour les sous-ensembles d'entraînement et de test.
ar^2 ( coefficient de détermination ajusté) doit être proche de 1, ce qui indique une bonne précision de la régression linéaire.
p_loss (la proportion des valeurs des mesures de performance pour le sous-ensemble de test qui sont inférieures à un seuil donné) doit être proche de 0, ce qui indique que la majorité des valeurs des mesures de performance pour le sous-ensemble de test sont supérieures à un seuil donné.
Il convient toutefois de noter que ces valeurs peuvent dépendre de la mesure de performance choisie et de la valeur du seuil
Trop court pour comprendre ce que sont ces paramètres. Voici plus d'informations tirées de l'article page 13 (si le package reproduit entièrement les méthodes de l'article, mais peut-être quelque chose d'autre a été ajouté/soustrait)
Statistiques d'overfit Le cadre introduit à la section 2 nous permet de caractériser la fiabilité bilité dubacktest d'une stratégie en termes de quatre analyses complémentaires : 1.Probabilité d'overfitting du backtest(PBO) : La probabilité que laconfiguration de modèle sélectionnée comme optimale dans le SI soit moins performante que la me- diane des Nconfigurations de modèle OOS. 2.Dégradation de la performance: Ceci détermine dans quelle mesure une plus grande per- formance dans le SI conduit à une plus faible performance OOS, un événement associé aux effets de mémoire discutés dans Bailey et al. [1]. 3.Probabilité de perte: probabilité que le modèle sélectionné comme optimaleIS produise une perte OOS. 4.Dominance stochastique:Cette analyse détermine si la procédure utilisée pour sélectionner une stratégie IS est préférable au choix aléatoire d'une configuration de modèle parmi les Nalternatives.
Chaque élément est examiné plus en détail ci-dessous.
C'est trop court pour comprendre ce que sont ces paramètres. Voici plus d'informations tirées de l'article page 13 (si le paquet reproduit entièrement les méthodes de l'article, mais peut-être que quelque chose d'autre a été ajouté/soustrait).
le paquet est tout simplement horrible, je n'ai jamais vu un tel partak depuis des années
le code est terrible
la documentation est pratiquement inutile
Je ne comprends pas comment il s'est retrouvé dans le CRAN.
Je n'arrive toujours pas à comprendre, est-ce qu'il y a un système de trading qui est investigué divisé en lots ou est-ce qu'il y a plusieurs TS (dans cette bibliothèque) ?
Je n'arrive toujours pas à comprendre, s'il y a un système de trading étudié divisé en lots ou s'il s'agit de plusieurs TS (dans cette bibliothèque).
Sélection du meilleur modèle parmi un ensemble de modèles obtenus avec différents paramètres/hyperparamètres. L'entrée est une matrice, où chaque colonne est une prévision d'un des modèles.
Ou peut-être pas. Je n'ai pas encore compris non plus.
Sélection du meilleur modèle parmi l'ensemble des modèles obtenus à différents paramètres/hyperparamètres. L'entrée est une matrice où chaque colonne est une prédiction de l'un des modèles.
J'ai déjà trouvé la solution.
Je ne comprends pas comment travailler avec le résultat
Je donne une colonne (un TS)
résultat
summary(my_pbo)
Performance function Omega with threshold 1
p_bo slope ar^2 p_loss
0.00002.26730.97000.3710
Je donne 5 colonnes (5 CT)
J'obtiens également une ligne.
summary(my_pbo)
Performance function Omega with threshold 1
p_bo slope ar^2 p_loss
0.34285711.90810000.04400000.2860000
Il devrait y avoir 5 lignes, ou si c'est le résultat de la meilleure TS, il devrait y avoir un index de la meilleure...
Sélection du meilleur modèle parmi l'ensemble des modèles obtenus à différents paramètres/hyperparamètres. L'entrée est une matrice où chaque colonne est une prédiction de l'un des modèles.
Ou peut-être pas. Je n'ai pas encore compris cela non plus
On peut l'interpréter comme le fait de prendre les rendements des bénéfices TS de différentes sections du marché (paramètres/hyperparamètres ) ? ???
différentes sections du marché == paramètres/hyperparamètres?
Il peut être interprété comme la prise en compte des rendements des bénéfices de TC provenant de différentes parties du marché (paramètres/hyperparamètres ) ? ???
Il devrait y avoir 5 lignes, ou si c'est le meilleur TC, il devrait y avoir un index des meilleurs...
En conséquence, vous obtenez l'évaluation globale du modèle (et probablement du prédicteur et des données cibles) Un mauvais modèle donne de tels résultats (seulement 17% de résultats OOS supérieurs à 0).
Un bon modèle - 95% des résultats OOS supérieurs à 0
Si vous n'avez pas de compte, veuillez vous inscrire
Autorisez l'utilisation de cookies pour vous connecter au site Web MQL5.com.
Veuillez activer les paramètres nécessaires dans votre navigateur, sinon vous ne pourrez pas vous connecter.
Vous êtes connecté. L'authentification à deux facteurs a été désactivée. Configurez-la à nouveau et scannez un nouveau code QR, ou continuez avec l'authentification à deux facteurs désactivée.
A la page 8 pour l'instant. Et il s'agit encore d'une introduction)))
Il semble qu'il s'agira d'une comparaison par Sharpe (mais ils écrivent que vous pouvez utiliser n'importe quel autre indicateur) sur la validation croisée.
Si j'ai bien compris, 4 paramètres doivent être optimisés
Il convient toutefois de noter que ces valeurs peuvent dépendre de la mesure de performance et de la valeur seuil sélectionnées.
Besoin d'une optimisation multicritères Pareto avant-arrière multicritères
Si j'ai bien compris, il y a 4 paramètres à optimiser
Il convient toutefois de noter que ces valeurs peuvent dépendre de la mesure de performance choisie et de la valeur du seuil
Trop court pour comprendre ce que sont ces paramètres. Voici plus d'informations tirées de l'article page 13 (si le package reproduit entièrement les méthodes de l'article, mais peut-être quelque chose d'autre a été ajouté/soustrait)
Statistiques d'overfit
Le cadre introduit à la section 2 nous permet de caractériser la fiabilité
bilité dubacktest d'une stratégie en termes de quatre analyses complémentaires :
1. Probabilité d'overfitting du backtest (PBO) : La probabilité que laconfiguration de modèle
sélectionnée comme optimale dans le SI soit moins performante que la me-
diane des N configurations de modèle OOS.
2. Dégradation de la performance: Ceci détermine dans quelle mesure une plus grande per-
formance dans le SI conduit à une plus faible performance OOS, un événement associé
aux effets de mémoire discutés dans Bailey et al. [1].
3. Probabilité de perte: probabilité que le modèle sélectionné comme
optimaleIS produise une perte OOS.
4. Dominance stochastique: Cette analyse détermine si la procédure
utilisée pour sélectionner une stratégie IS est préférable au choix aléatoire
d'une configuration de modèle parmi les N alternatives.
Chaque élément est examiné plus en détail ci-dessous.
C'est trop court pour comprendre ce que sont ces paramètres. Voici plus d'informations tirées de l'article page 13 (si le paquet reproduit entièrement les méthodes de l'article, mais peut-être que quelque chose d'autre a été ajouté/soustrait).
le paquet est tout simplement horrible, je n'ai jamais vu un tel partak depuis des années
le code est terrible
la documentation est pratiquement inutile
Je ne comprends pas comment il s'est retrouvé dans le CRAN.
Je n'arrive toujours pas à comprendre, est-ce qu'il y a un système de trading qui est investigué divisé en lots ou est-ce qu'il y a plusieurs TS (dans cette bibliothèque) ?
Je n'arrive toujours pas à comprendre, s'il y a un système de trading étudié divisé en lots ou s'il s'agit de plusieurs TS (dans cette bibliothèque).
Sélection du meilleur modèle parmi un ensemble de modèles obtenus avec différents paramètres/hyperparamètres. L'entrée est une matrice, où chaque colonne est une prévision d'un des modèles.
Ou peut-être pas. Je n'ai pas encore compris non plus.Sélection du meilleur modèle parmi l'ensemble des modèles obtenus à différents paramètres/hyperparamètres. L'entrée est une matrice où chaque colonne est une prédiction de l'un des modèles.
J'ai déjà trouvé la solution.
Je ne comprends pas comment travailler avec le résultat
Je donne une colonne (un TS)
résultat
Je donne 5 colonnes (5 CT)
J'obtiens également une ligne.
Il devrait y avoir 5 lignes, ou si c'est le résultat de la meilleure TS, il devrait y avoir un index de la meilleure...
Je tuerais cet auteur
Sélection du meilleur modèle parmi l'ensemble des modèles obtenus à différents paramètres/hyperparamètres. L'entrée est une matrice où chaque colonne est une prédiction de l'un des modèles.
Ou peut-être pas. Je n'ai pas encore compris cela non plusOn peut l'interpréter comme le fait de prendre les rendements des bénéfices TS de différentes sections du marché (paramètres/hyperparamètres ) ? ???
différentes sections du marché == paramètres/hyperparamètres?
Il peut être interprété comme la prise en compte des rendements des bénéfices de TC provenant de différentes parties du marché (paramètres/hyperparamètres ) ? ???
Exactement les retours de bénéfices.
différentes parties du marché == paramètres/hyperparamètres?
Si j'ai bien compris, il s'agit de paramètres : différentes périodes de MA, SL, etc.
Je reçois également une ligne
Il devrait y avoir 5 lignes, ou si c'est le meilleur TC, il devrait y avoir un index des meilleurs...
En conséquence, vous obtenez l'évaluation globale du modèle (et probablement du prédicteur et des données cibles)

Un mauvais modèle donne de tels résultats (seulement 17% de résultats OOS supérieurs à 0).
Un bon modèle - 95% des résultats OOS supérieurs à 0

Ce sont les rapatriés qui sont arrivés.
Vous savez, il y a des gains et des pertes, n'est-ce pas ?
Nous prenons donc les déclarations de retour des États lorsque le poste est ouvert.
Si je comprends bien, ce sont les paramètres : différentes périodes de MA, SL, etc.
Au lieu de différents réglages du TS, je vais simplement prendre le trading sur différentes zones, je pense que cela peut être assimilé.