L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2588
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
Ma non c'è nessuna reazione da MetaQuotes ((
E non ci sarà, perché la diffusione reale rovina il quadro pubblicitario. Al massimo, suggeriscono di usare caratteri personalizzati.
E non lo farà, perché la diffusione reale rovina il quadro pubblicitario. Al massimo, si offriranno di usare simboli personalizzati.
È un peccato in effetti. La simulazione della diffusione nel tempo renderebbe il test più vicino a quello reale.
E non lo farà, perché la diffusione reale rovina il quadro pubblicitario. Al massimo, suggeriranno di usare simboli personalizzati.
La pubblicità dovrebbe dire che il nostro tester è il più preciso, rispetto alle altre piattaforme.
Questo è più probabile che attiri gli sviluppatori e gli utenti. Allora i primi test e il loro confronto mostreranno che il test in MT5 non è vero per i prezzi di apertura.
La pubblicità dovrebbe dire che il nostro tester è il più preciso, rispetto ad altre piattaforme.
Questo è più probabile che attiri gli sviluppatori e gli utenti. Allora i primi test e il loro confronto dimostreranno che i test in MT5 a prezzi di apertura non sono veri.
È un peccato in effetti. La modellazione della diffusione temporale avrebbe reso i test più vicini alla realtà.
Per pubblicità intendo i dati sui simboli nelle pagine delle società di brokeraggio. Sono i DC, non gli sviluppatori che sono clienti (portano soldi) per i metaquote. La gratuità per l'utente finale ha i suoi svantaggi.
Per pubblicità, intendo i dati dei simboli sulle pagine di DC. Sono i DC, non gli sviluppatori, che sono i clienti (che portano soldi) per le meta-citazioni. La gratuità per l'utente finale ha i suoi svantaggi.
Non è possibile o costoso da implementare, è possibile in condizioni e prezzi comprensibili, ed è gratuito. Naturalmente la gratuità è spesso viziata da negatività))) Così come la mancanza di opportunità o l'alto costo di implementazione))))
https://stats.stackexchange.com/questions/31513/new-revolutionary-way-of-data-mining
Sì, è quello che dice. E i commentatori - beh, sono scienziati dei dati, non commercianti. Loro con i loro set di dati stazionari non possono capire i problemi dei nostri commercianti.
Sì, è quello che dice. E i commentatori - beh, sono scienziati dei dati, non commercianti. Loro, con le loro serie di dati stazionari, non possono capire i problemi dei nostri commercianti.
Come ho capito...
Lo spiego nel modo più semplice possibile.
Se vogliamo presentare TS come un modello, per controllare se è un vero modello dovremmo ottimizzare i suoi parametri e se TS guadagnerà quasi sempre a diversi parametri, allora il modello (TS) è vero
E come l'hai capito?
Guardando più in profondità e da una prospettiva AMO
È necessario visualizzare la ricerca dei parametri durante l'addestramento; se la superficie di ottimizzazione assomiglia al rumore
molto probabilmente, AMO ha trovato un massimo locale nel rumore e questo è il retraining e un modello non funzionante
Dovresti sforzarti di ottenere la seguente immagine
Quando il modello ha un'"isola" di parametri di lavoro chiaramente pronunciata, cioè è necessario ottimizzare i suoi parametri e se il TS praticamente sempre guadagnerà con parametri diversi, allora il modello (TS) è vero
Io la vedo così, forse mi sbaglio, ma...
Per come l'ho capita io...
Lo spiegherò nel modo più semplice possibile.
Se immaginate TC come un modello - per controllare se è un vero modello dobbiamo ottimizzare i suoi parametri e se il TC guadagnerà quasi sempre a diversi parametri, allora il modello (TC) è vero
E come l'hai capito?
Beh, qualcosa del genere. Tutti capiscono che l'overfitting è un male e cercano modi per proteggersi da esso. Dude sta dicendo che il modo "test su oos" non è uno strumento così buono per proteggere dall'overfitting. Un semplice esempio, ci sono 10000 persone, ognuna delle quali lancia una moneta 10 volte. Abbiamo selezionato le persone che avevano tutti i lanci che erano aquile - oh, questi ragazzi sanno qualcosa. Abbiamo chiesto a ciascuno di loro di girare altre 10 volte. Ora, questi 3 sono una specie di perdenti, ma questi 3 hanno di nuovo 8 o 9 aquile su 10. Oh, di sicuro possono fare qualcosa. È chiaro che una situazione del genere è possibile solo grazie a lanci casuali (non gli stessi milioni di scimmie che possono scrivere Guerra e Pace per caso). È lo stesso con le strategie. Quindi bisogna usare altri modi, o se oos, anche saggiamente. L'alternativa che hanno suggerito è sì, qualcosa come: è meglio che guardi qualcosa come la media. Come se la moneta fosse piatta, cadrà uniformemente qua e là nella media. E se è più pesante da qualche parte, allora vedrete questo skew dai risultati medi di quelle 10.000 persone. In qualche modo)).