L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3377
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
Question théorique.
Il existe un TS qui est parfaitement adapté. En même temps, on sait précisément qu'un certain ensemble de paramètres d'entrée exploite avec profit le modèle réel. En d'autres termes, cet ensemble n'est pas adapté.
Est-il possible de trouver cet ensemble ?
Si l'on supprime la clause"TC qui convient parfaitement", onpeut réduire considérablement le champ d'action. De plus, il y a beaucoup à savoir sur le modèle que vous recherchez dès le départ.
Vous ne pouvez pas prendre un ensemble arbitraire d'indicateurs, supprimer ceux qui sont manifestement dépendants et, à partir de là, obtenir un "TS ajusté" et, dans tout cela, isoler l'exploitation de la véritable régularité
Une bonne question est la moitié de la réponse - Dans le monde réel, où les optimisations alg.et ML sont appliquées, on sait généralement ce que l'on recherche exactement (obscurité des caractéristiques) et il est nécessaire de mettre en évidence les caractéristiques, d'esquisser les limites. Et ici, personne ne sait ce qu'il veut trouver, mais il sait comment faire fonctionner l'optimiseur :-)
La nature de la courbe de profit ne change pas en fonction de l'OOS : Taille(OOS_Gauche) = Taille(OOS_Droit) = Taille(Échantillon). Dans l'ensemble, c'est un résultat que l'on ne peut pas ignorer.
Une ré-optimisation avec vérification OOS peut être trouvée :)
Veuillez expliquer en quelques phrases.
Veuillez divulguer en quelques phrases.
Je pense que tout le monde connaît le loup-avant. Lorsqu'ils sont optimisés pour l'échantillon, les résultats sont tirés d'oos. Le meilleur résultat global avec une moyenne des paramètres est pris afin que les courbes ne diffèrent pas.
Supposons que 100 mesures soient prises - nous obtenons 100 ensembles d'entrées. Si nous formons l'ensemble moyen selon le principe "chaque ensemble d'entrée est égal à la moyenne des 100 ensembles d'entrée correspondants", il est peu probable que cet ensemble réussisse bien l'ensemble de l'intervalle initial.
Supposons que 100 étapes ont été franchies - 100 ensembles d'entrée ont été obtenus. Si nous formons un ensemble moyen selon le principe "chaque ensemble d'entrée est égal à la moyenne des 100 ensembles d'entrée correspondants", il est peu probable que cet ensemble passe bien tout au long de l'intervalle initial.
Si ce n'est pas le cas, il n'y a pas de bonnes séries du tout, logiquement.
Ce n'est pas logique ! Les ensembles dépendent de FF, par exemple.
Illogique ! Les ensembles dépendent du FF, par exemple.
Je me demande si quelqu'un lit ce flot ininterrompu d'articles intitulés "les réseaux neuronaux, c'est facile" ?
Je fais défiler la page jusqu'au solde et je me rends compte que l'homme ne connaît pas le dicton suivant :
" il ne suffit pas de voir ici, ici il faut regarder, ici il faut penser... "
il étudie le matériel de manière superficielle et ses conclusions ne sont pas tout à fait compétentes.