L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1146
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
Mi sopravvaluti) Non sono andato oltre le presentazioni.)
Come loro stessi scrivono - è una specie di sottoclasse dei giochi di natura (ambiente). Sono sicuro che quasi tutti i nostri modelli rientrano nel gioco della natura, ma non so quanto siano adatti questi 'banditi'.
Mi piacciono di più i processi di Markov latenti. Lì la non stazionarietà può essere una conseguenza del fatto che non stiamo osservando tutte le variabili. In parole povere, un processo che per noi è non stazionario sarà derivato da un processo che è stazionario ma noto solo al market maker.
Posso inviare il codice, ma non sono sicuro che qualcuno lo capisca e offra qualcosa di nuovo :)
Ho capito, le stronzate sono stronzate))
Non si tratta di sbirciare, anche se può esserlo in certe condizioni, ma l'OOS dovrebbe essere il più vicino possibile al reale, perché si vuole che il risultato dell'OOS si ripeta + - sul reale, e se lo si prova sul passato più lontano, sarà vicino al passato, e il mercato durante questo periodo può cambiare più o meno. Il tuo metodo può anche portare all'assurdo quando separi OOS e reale per anni)))
Lei stesso scrive che è assurdo, perché il mercato può cambiare sia nel passato che nel futuro in relazione al lern. Inoltre, più il lern è vicino al presente, meno è probabile che il mercato cambi domani. E sto solo guardando quanto l'algoritmo è in grado di generalizzare su qualsiasi OOS.
Hai appena avuto qualcuno che ti ha detto che dovrebbe essere così e non sai davvero perché, solo speculazioni.
non c'è assolutamente nessuna differenza
la bandiera in mano, il mondo reale metterà ogni cosa al suo posto
Posso mandarvi il codice, ma non sono sicuro che qualcuno lo capirà e suggerirà qualcosa di nuovo :)
A volte è difficile capire il proprio codice con cui non ho lavorato per un mese).
Sei nelle mani del mondo reale, è dappertutto.
Gesù Cristo, stiamo parlando di gangster qui.
Non si tratta di sbirciare, anche se può esserlo in certe condizioni, ma l'OOS dovrebbe essere il più vicino possibile al reale, perché si vuole che il risultato dell'OOS si ripeta + o - sul reale, ma se lo si testa sul passato più lontano, sarà vicino al passato, e il mercato durante questo periodo può cambiare più o meno. Il tuo metodo può portare completamente all'assurdo, per esempio se separi l'OOS e il reale per anni)))
Lei stesso scrive che è assurdo, perché il mercato può cambiare sia nel passato che nel futuro in relazione al lern. Inoltre, più il lern è vicino al presente, meno è probabile che il mercato cambi domani. E sto solo guardando quanto l'algoritmo sia capace di generalizzare su qualsiasi OOS.
In generale, l'essenza dell'algotrading è che il mercato cambia almeno in parte continuamente, c'è una sorta di "inerzia" dovuta alla diffusione delle informazioni. Ciò che era ieri è più probabile che sia oggi che un mese (anno) fa. Si ottimizza l'OOS per essere più vicino al mercato reale e poi si riqualificano semplicemente i dati OOS, qual è il problema? Di solito tutti fanno così, prima dividere in Lerne e Train imparare su Lerne controllare su Train e poi riallenare su Lerne + test sulla configurazione ottimizzata dei parametri.
Naturalmente non discuto e insisto, il mio collega sopra ha detto giustamente "la vita reale mette ogni cosa al suo posto", le lezioni di mercato si ricordano meglio della demagogia da forum)).
In generale, l'essenza dell'algotrading è che il mercato cambia almeno parzialmente in modo continuo, cioè una sorta di inerzia, come risultato della diffusione delle informazioni. Quindi quello che era ieri è più probabile che sia oggi che un mese (anno) fa. Si ottimizza per OOS per essere più vicino al mercato reale e poi si riqualifica semplicemente i dati OOS, qual è il problema? Di solito è quello che fanno tutti, prima dividere in lurn e treyn imparare su lurn controllare su treyn e poi riaddestrare su lurn + treyn su configurazione ottimizzata.
Quindi che differenza fa quale lato è OOS? ))
Soprattutto se si considera che lurn e traine sono la stessa cosa (ho capito cosa voleva dire il Test, ma l'evidenziato non lo nega)
quindi che differenza fa quale lato è l'OOS? ))
Tanto più se si considera che lern e trane sono la stessa cosa (ho capito cosa vuoi dire Test, ma l'evidenziato non lo nega)
refuso, grazie, l'ho sistemato.
Makin: ottimizzare per qualcosa di più vicino alla vita reale, non per chissà cosa e quando!
refuso, grazie, corretto.
la differenza è grande, OOS è più vicino alla realtà, è necessario ottimizzare per ciò che è più vicino alla realtà, e non per chissà cosa e quando
il compito è di assicurare che le 2 parti siano indistinguibili (stessi errori, ecc.) in questo contesto, la definizione di ciò che si agita perde ogni significato
Dio, cos'è reale, stiamo discutendo di banditi qui
Quindi cosa avete implementato "l'algoritmo Bandit" in RDF?
O hai codificato qualcosa specificamente per l'algoritmo "Bandit"?