L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3285
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
Continuez à quantifier 😵💫
Enfin des conseils judicieux !
Et voici le résultat - les deux dernières colonnes
En effet, les résultats se sont améliorés. Nous pouvons faire l'hypothèse que plus l'échantillon est grand, plus le résultat de l'entraînement sera bon.
Il est nécessaire d'essayer de s'entraîner sur 1 et 2 parties de l'échantillon d'entraînement - et si les résultats ne sont pas beaucoup plus mauvais que sur 2 et 3 parties, alors le facteur de la fraîcheur de l'échantillon peut être considéré comme moins important que le volume.
L'entraînement est terminé, les résultats figurent dans les deux dernières colonnes du tableau.
Nous pouvons conclure provisoirement qu'en effet, le succès de la formation dépend de la taille de l'échantillon. Cependant, je note que les résultats de l'échantillon "-1p1-2" sont comparables, et même meilleurs selon certains critères, à ceux de l'échantillon"-1p2-3", alors que pour l'échantillon "0p1-2", les résultats sont deux fois plus mauvais en termes de nombre de modèles satisfaisant au critère donné.
J'ai maintenant lancé un échantillon avec une chronologie inversée, où l'échantillon d'entraînement consiste en l'échantillon initial exam+test+train_p3, et l'échantillon de test est train_p2, et l'examen est train_p1. L'objectif est de voir s'il est possible de construire un modèle efficace sur des données plus récentes qui aurait fonctionné il y a 10 ans.
Selon vous, quel sera le résultat ?
La formation est terminée, les résultats figurent dans le tableau ci-dessous (deux dernières colonnes).
Nous pouvons conclure provisoirement qu'en effet, le succès de l'entraînement dépend de la taille de l'échantillon. Cependant, je note que les résultats de l'échantillon "-1p1-2" sont comparables, et même meilleurs selon certains critères, à ceux de l'échantillon"-1p2-3", alors que pour l'échantillon "0p1-2", les résultats sont deux fois plus mauvais en termes de nombre de modèles satisfaisant au critère donné.
J'ai maintenant lancé un échantillon avec une chronologie inversée, où l'échantillon d'entraînement consiste en l'échantillon initial exam+test+train_p3, et l'échantillon de test est train_p2, et l'examen est train_p1. L'objectif est de voir s'il est possible de construire un modèle efficace sur des données plus récentes qui aurait fonctionné il y a 10 ans.
Selon vous, quel sera le résultat ?
Un peu plus et on obtiendra le résultat le plus trivial... ou peut-être qu'on ne l'obtiendra pas, mais qu'on fera alors une découverte qui bouleversera le monde de l'EM !
Bravo !
J'ai écrit à de nombreuses reprises sur le "pouvoir prédictif des prédicteurs". qui est calculé comme la distance entre deux vecteurs.
Je suis tombé sur une liste d'outils permettant de calculer la distance :
Il ne s'agit pas de l'outil standard, qui possède son propre ensemble de distances.
Voici une tâche sans entrée : ...
Max, je ne comprends pas pourquoi tu te moques de moi.
S'il n'y a pas d'hypothèses - ne dis rien, s'il y en a - dis-le, comme "le résultat sera nul".
...
Quel sera, selon vous, le résultat ?
Je ne sais pas, mais je suis curieux de le savoir.
Un peu plus et l'on obtiendra un résultat banal... ou peut-être pas, mais alors une découverte qui bouleversera le monde de ME !
Bravo !
Vous pensez donc que le nombre de modèles sera comparable dans les deux premières colonnes ? Alors qu'ils sont deux fois plus différents. Soyez plus précis sur la trivialité, s'il vous plaît.
Max, je ne comprends pas pourquoi tu te moques de moi.
S'il n'y a pas d'hypothèses - ne dites rien, s'il y en a - dites-le, comme "le résultat sera nul".
Ci-dessus, j'ai parlé de matstat. Avant cela, j'ai parlé de kozul. Plus tôt encore, j'ai parlé des erreurs Oracle (erreurs de marquage), lorsque les données sont marquées d'une manière que vous ne comprenez pas. Ce qui ressort absolument de tout cela, c'est la prise de conscience du fait que les résultats varient en fonction du volume et de la durée de la formation. Cela dépend des données, qui ne sont pas fournies ou décrites.