L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2388
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
un miglioramento dell'1-2% può essere ottenuto riaddestrando lo stesso modello più volte)
ma non 512 volte ))
non funziona così
rimuovere le caratteristiche di bassa importanza dal modello e romperlo, poi confrontare il culo con il dito (altre caratteristiche), e così via
Ora dovrò occuparmi di un sacco di funzioni con le AM e così via.
È stata provata anche la cancellazione di 1. Lo fa. Quando ci sono molti detriti il modello difficilmente nota la perdita di un combattente)
Questo è tutto il tuning, non un modo per trovare qualche tipo di modello, quindi la coda non dovrebbe scodinzolare il cane
Dopo aver selezionato la prima caratteristica migliore, la seconda sarà quella con la migliore interazione con la prima, e così via. Una volta raggiunti i 10, la prossima sarà quella con la migliore interazione con una qualsiasi delle 10 precedentemente selezionate, ma molto probabilmente con tutte.
Non sono un fan di scartare tutte le possibilità in una volta sola, forse questo approccio potrebbe produrre anche una variante interessante.
Il fatto è che non posso fare più cicli di stop/start automaticamente, tenendo conto del vaglio di alcune caratteristiche ad ogni iterazione.
Posso preparare i dati per un'iterazione, poi ho bisogno di prepararli di nuovo - ecco perché ho bisogno di Python.
A proposito, non mi dispiace provare i miei predittori anche con il tuo metodo, se c'è un automa pronto per questo scopo.
Non sono un fan di scartare immediatamente tutte le opzioni possibili, forse questo approccio potrebbe fornire un'opzione interessante.
Il fatto è che non posso fare automaticamente molti cicli di stop/start, tenendo conto dell'eliminazione di qualsiasi caratteristica ad ogni iterazione.
Posso preparare i dati per un'iterazione, poi ho bisogno di prepararli di nuovo - ecco perché ho bisogno di Python.
A proposito, non mi dispiace provare anche i miei predittori con il tuo metodo, se c'è un automa pronto per questo scopo.
Se si va fino in fondo ci saranno quasi 1000000 modelli addestrati per 1000 caratteristiche.
L'automa è semplice - 2 cicli annidati. Hai un problema con l'avvio automatico dell'allenamento. Risolvetelo e tutto il resto sarà un'inezia.
Se si va fino in fondo, ci saranno quasi 1000000 modelli addestrati per 1000 caratteristiche.
È molto - in questo momento 1000 modelli impiegano circa un giorno per allenarsi.
Potrebbe essere più veloce su una foresta casuale se la si parallelizza.
L'automa è semplice - 2 cicli annidati. Hai un problema con l'apprendimento automatico. Risolvetelo e tutto il resto sarà banale.
Questo è il problema, non posso automatizzare il processo.
È tutta una messa a punto, non un modo per trovare un modello, quindi la coda non dovrebbe scodinzolare.
Non hai capito il punto che stavo cercando di fare - il miglior modello in termini di statistiche di classificazione non significa il migliore in termini di redditività. Lo fa solo nel caso di SL e TP fissi.
Sto cercando un metodo per influenzare le curve di entrate e uscite - curva verde e rossa.
Questo è l'aspetto della distribuzione di probabilità della risposta del modello al campione quando viene addestrato:
Ecco come appare quando il campione indipendente viene alimentato:
Come si può vedere, le curve si sono quasi fuse, mentre i modelli non si sono deteriorati così tanto - la curva aqua è zero e la curva magnete è uno - sono abbastanza accettabilmente distanziati e i modelli sono in qualche modo globalmente conservati, ma il prezzo di questi modelli non è stato in qualche modo ponderato in termini di entrate/uscite.
Questo è il problema, non posso automatizzare il processo.
nel prossimo articolo si prega di aggiungerestop e take profit al codice python