L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 737
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Questo non c'entra niente, ti dicono solo che stai sbagliando e che non ci sono pesci. Bisogna essere più flessibili e assorbire le informazioni, cambiare il paradigma, scuotere l'immagine del mondo e così via.
Guarda... i modelli hanno già lavorato per una settimana... Non ho messo un dito su di loro e ho intenzione di tenerli in funzione per un'altra settimana o due... Vediamo ....
E sì, sono addestrati su non più di 40 esempi...... Se sia giusto o sbagliato, non lo so, ma fa un profitto.... Che sia fatto nel modo giusto o nel modo sbagliato non è affare di nessuno. L'importante è il risultato finale e il punto.....
... Che sia ottenuto nel modo giusto o nel modo sbagliato non importa. L'importante è il risultato finale e il punto.....
Non si può discutere con questo.
La curva dell'equity deve essere abbastanza lunga, almeno un migliaio di trade e se usiamo Sharpe Ratio invece di No Return, tutti saranno d'accordo. 10 trade o anche 100 con un profitto inferiore al drawdown non sono seri per chi sta rompendo il deposito.
Penso che anche una tale variante non sarà immune alla casualità e alla falsificazione. Idealmente, per testare i metodi di apprendimento automatico, si dovrebbe offrire ai trader uno strumento semplice e accessibile che permetta loro di generare modelli per conto proprio e testarli a termine.
La curva dell'equity dovrebbe essere di nuovo abbastanza lunga, almeno un migliaio di trade e se guardiamo allo Sharpe Ratio, non al No Return, allora tutti saranno d'accordo, e se 10 trade o anche 100, con un profitto inferiore al drawdown non è serio, questi sono quelli che "scalano il deposito".
Da dove vengono questi numeri? 1.000 scambi. Dovete capire che non c'è nessun graal. Il mercato è troppo volatile, e quando vedo un valore di 1000 trade capisco che è l'approssimazione più vicina a ciò che non esiste (il Graal) e perché non ti piacciono le statistiche di 100 trade? Ecco un esempio... Sì, l'ho già postato. Il modello è stato addestrato su 40 punti e ha funzionato per 80. Cosa vuol dire che le statistiche su questa palla curva sono pessime???? Non c'è abbastanza profitto? Non sei un po' troppo zelante con i tuoi TC, Toxic?????
Per non parlare del fatto che veniamo a conoscenza della qualità del modello subito dopo l'allenamento e non abbiamo bisogno di stanziare un altro mini plot OOS per vedere come funziona. Questo è noto dopo aver ottenuto le metriche dei modelli addestrati. Cioè abbiamo addestrato alcuni modelli, calcolato le loro metriche, scelto quello con le migliori prestazioni e siamo passati direttamente alla battaglia, senza ritardi.
La scelta del modello è molto semplice. Se una variabile di uscita ha un numero uguale di zeri e di uno, l'entropia di tale variabile è di solito 0,7 se arrotondata per eccesso. Questo significa che l'incertezza dell'output è abbastanza alta. Il modello mostrato nel post sopra aveva un OI di 0,87. Questa è la somma delle VI dei due polinomi. E tutto questo sulla trama di allenamento. Era prima che il modello fosse messo in funzione. Avendo ottenuto questo valore, ho capito subito che era quello corretto perché tutti gli altri modelli basati sullo stesso file di allenamento erano 0,7 o vicini ad esso. A proposito, tali modelli nella stessa parte del ciclo di feedback erano circa zero, così come i modelli con il risultato di 0,6 e inferiore. Questi si sono fusi.
Quindi concludo. Un modello funzionante è un modello la cui mutua informazione (MI) rispetto all'uscita è maggiore dell'entropia dell'uscita stessa. L'incertezza dell'uscita è 0,7 e il VI del risultato del modello è 0,87. Cioè, il modello sa più dell'uscita che dell'incertezza dell'uscita stessa. Allora il tuo modello addestrato su 40 valori funzionerà molto più a lungo dell'intervallo di allenamento. Comunque ho dedotto esattamente questo fatto.....
E se UI è più dell'unità o leggermente inferiore nell'intervallo di 0,95, è un chiaro segno di sovrallenamento. Ho manipolato i dati e ho volutamente riqualificato il modello. Così, tutto il VI era maggiore dell'unità. Ecco un fatto e un pensiero per voi....
La scelta del modello è molto semplice. Se una variabile di uscita ha un numero uguale di zeri e di uno, l'entropia di tale variabile è di solito 0,7 se arrotondata per eccesso. Questo significa che l'incertezza dell'output è abbastanza alta. Il modello mostrato nel post sopra aveva un OI di 0,87. Questa è la somma delle VI dei due polinomi. E tutto questo sulla trama di allenamento. Era prima che il modello fosse messo in funzione. Avendo ottenuto questo valore, ho capito subito che era quello corretto perché tutti gli altri modelli basati sullo stesso file di allenamento erano 0,7 o vicini ad esso. A proposito, tali modelli nella stessa parte del ciclo di feedback erano circa zero, così come i modelli con il risultato di 0,6 e inferiore. Questi si sono fusi.
Quindi concludo. Un modello funzionante è un modello la cui mutua informazione (MI) rispetto all'uscita è maggiore dell'entropia dell'uscita stessa. L'incertezza dell'uscita è 0,7 e il VI del risultato del modello è 0,87. Cioè, il modello sa più dell'uscita che dell'incertezza dell'uscita stessa. Allora il tuo modello addestrato su 40 valori funzionerà molto più a lungo dell'intervallo di allenamento. Comunque ho dedotto esattamente questo fatto.....
E se UI è maggiore dell'unità o leggermente inferiore nell'intervallo di 0,95, è un chiaro segno di sovrallenamento. Ho manipolato i dati e ho volutamente riqualificato il modello. Così, tutto il VI era maggiore dell'unità. Ecco un fatto e un pensiero per voi....
Ora tutto si riduce all'uscita (insegnante). È il profitto, il drawdown, il fattore di profitto o qualcos'altro?
Ora tutto si riduce all'uscita (insegnante). È il profitto? il drawdown? il fattore di profitto? o qualcos'altro?
Faccio diverse variabili di uscita per fattore di profitto del segnale. Da -40 -20 0 20 40 60 80. Questo mi permette di scegliere un set di dati che ha il massimo numero di variabili importanti sul campione massimo. E che uscita sarà, anche con un profitto di -40 pip. Lo so e cercherò di ottenere 40 punti meglio della chiusura della barra in cui si è formato il segnale... Questa è una forma di uscita adattiva. Almeno per me....
Per quanto riguarda la curva dell'equity, dovrebbe essere abbastanza lunga, almeno un migliaio di trade e se guardiamo lo Sharpe Ratio invece del No Return, allora tutti saranno d'accordo. 10 trade o anche 100 con un profitto inferiore al drawdown non sono una cosa seria per coloro che "scalano il deposito".
Ha un PENSIERO sulla relazione tra obiettivo e predittori - l'informazione reciproca e questo pensiero può superare tutti i difetti della statistica, poiché questo pensiero ha tagliato tutto il rumore tra i predittori, e questo rumore è il male principale.
Smarties, ha senso usare questo programma https://basegroup.ru/deductor/download per la comprensione iniziale delle reti neurali (sono generalmente interessato a trovare modelli in serie di numeri)? Solo che sono abbastanza nuovo in questo business, e mi piacerebbe avere un software in russo e con la visualizzazione dei risultati della griglia (ricerca di soluzioni).
Si prega di avere un aspetto professionale.