L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1114
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
Beh, sai... Uso anche la curva per decidere quale modello usare. A cosa serve un modello se ha fatto il 90% dei trade redditizi e stava perdendo terribilmente nei momenti chiave. Il tipo di curva di equilibrio è importante. Naturalmente non sarà sufficiente, ma avrò comunque un'idea.
Di quanti dati hai bisogno per la formazione????
Se c'è una correlazione, la macchina la troverà.
Non ci sono mai abbastanza dati - più sono, meglio è.
era il 10° anno di padronanza dell'ottimizzatore...
ma le persone felici non guardano l'orologio))) spassoso...
Davvero, ragioniamoci sopra....
Tutte le metriche attuali indicano la qualità attuale della formazione e non dicono nulla sulle prestazioni future del modello. Cioè, ottenere un grande risultato dalla migliore metrica non garantisce risultati di qualità in futuro. Ecco perché credo fortemente che oltre al periodo di addestramento e di convalida, ci deve essere un periodo di test per valutare le prestazioni del modello e decidere se è adatto o no. Se lo guardi attraverso la percentuale, allora il campione d'ispirazione dovrebbe consistere in allenamento/validazione/controllo come 45/45/10% rispettivamente IMHO, questo è quello che voglio vedere nell'ottimizzatore. In modo che dopo l'acquisizione del modello, quando l'apprendimento va con lo sguardo al settore di prova, è stato testato e se la valutazione era soddisfacente, allora l'apprendimento si è fermato con la possibilità di salvare il modello e se il controllo è fallito, allora si inizia di nuovo l'allenamento e si ripete fino a quando il risultato desiderato è stato ottenuto al settore di prova o dopo un certo numero di iterazioni di allenamento. Questo è ciò che deve essere fatto ora.
Dobbiamo eseguire il modello su un controllo e se il controllo fallisce, ricominciare l'addestramento, e così via per 10 volte. Il problema è che il check plot consuma un prezioso periodo di operatività del modello, che comincia a venire a vuoto subito dopo il periodo di apprendimento sull'OOS. E ho inventato una variante, che ho detto a Doc qualche tempo fa, un paio di mesi fa, e lui l'ha trovata abbastanza logica. Ora non lo sto usando per qualche motivo, quindi mi piacerebbe condividerlo con voi, se non vi dispiace....
Metti fuori i dati con l'obiettivo, se c'è qualche correlazione, la macchina la troverà.
Non ci sono mai abbastanza dati - più sono, meglio è.
Ok. Diciamo solo che non è molto. Posso fare un upload gigante, ma per fare MT sarà lungo e ho paura che si blocchi, quindi cercate di allenarvi con quello che avete. Farò la pre-elaborazione io stesso e posterò il dataset già pre-elaborato. ok?
Mi sta bene il targeting, non preoccuparti, e l'ottimizzatore è scritto in Java. Non pensi che sia possibile implementare metriche così complesse come vuoi tu???? per favore....
Credo che tu mi abbia dato i tuoi dati e da essi ho concluso che i tuoi predittori non hanno nulla a che fare con l'obiettivo.
O mi sbaglio?
Posso iniziare dimostrando che i tuoi predittori sono rilevanti per l'obiettivo?
Metti fuori i dati con l'obiettivo, se c'è qualche correlazione, la macchina la troverà.
Non ci sono mai abbastanza dati - più sono, meglio è.
Tu stesso lo dividi in allenamento e oos. Nella formazione si può fare tutto quello che si vuole con una Q. Dovresti dirci cosa hai fatto per interesse. Non è necessario dire come e con che cosa avete fatto, naturalmente.
E posterò il set di dati pre-elaborati, ok?
No non ok, crudo + preprocessato.
Credo che tu mi abbia dato i tuoi dati e da essi ho concluso che i tuoi predittori non hanno nulla a che fare con l'obiettivo.
O mi sbaglio?
Posso iniziare dimostrando che i tuoi predittori sono rilevanti per l'obiettivo?
Tutto vero, ma da allora ho fatto una serie di cambiamenti chiave che hanno aumentato la quantità di dati significativi. Soprattutto perché stavo scontando l'intero set, e ora dopo la pre-elaborazione il numero di input è ridotto e rimangono solo quelli significativi. Puoi provare di nuovo a valutare.... se interessati!!!
No non ok, crudo + pre-elaborato.
Non importa, che dimostri prima di tutto che NON ha rumore.
era nel suo 10° anno di apprendimento di Optimizer...
ma le persone felici non vedono mai l'orologioQuindi sono un programmatore di merda, cosa vuoi? Ho studiato l'eclissi per mezzo anno solo per sistemare comodamente le finestre. Non ho aiutanti, ..... questo forum è pieno di programmatori, quindi tutto è così lento :-(