L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2793
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
In prima approssimazione, lei ha certamente ragione: si dovrebbe avere una stima finale, se si intende per stima di un modello le sue misure di performance.
Ma c'è una sfumatura che supera tutto.
Valutare un modello attraverso le sue prestazioni è una valutazione su dati storici. Ma come si comporterà il modello in futuro?
Valutate il test valving-forward.
Valutare Walking Forward con un test.
È una valutazione dell'intero gregge. E le pecore scadenti vengono eliminate pezzo per pezzo.
È una valutazione dell'intero gregge. E le pecore scadenti vengono abbattute pezzo per pezzo.
A 500 bar per stimare non è affatto una statistica, si può adattare qualsiasi cosa, per la legge dei grandi numeri
50 fics = 50 test valking fovard con fics rimosse 1 alla volta. È lungo, ma il risultato sarà ottenuto dal modello.
In questo modo è possibile ottenere il risultato solo in caso di completa indipendenza delle caratteristiche, cosa che non accade in questo caso.
A 500 bar per stimare non è affatto una statistica, si può adattare qualsiasi cosa, per la legge dei grandi numeri
Per valutare la capacità predittiva è sufficiente. È possibile selezionare le schede che danno un errore di previsione del docente fino al 20% utilizzando la tecnologia delle finestre scorrevoli.
È possibile ottenere risultati con questo metodo solo se si dispone di una completa indipendenza dalle caratteristiche, ma non è così che funziona.
Inserite gli stessi dati nei vostri pacchetti. Non si ottiene nulla neanche in questo caso?
Nella preelaborazione, come passo, rimuovo i chip correlati. Su 170, ne rimangono circa 50 se la correlazione non supera il 75% (!). Quando la correlazione non supera il 50%, rimangono alcuni pezzi. Ma non mi sono posto l'obiettivo di raccogliere le schede NON correlate.
Nella preelaborazione, come passo, rimuovo le caratteristiche correlate. Su 170, ne rimangono circa 50 se la correlazione non supera il 75% (!). Se la correlazione non supera il 50%, rimangono alcuni pezzi. Ma non mi sono posto l'obiettivo di raccogliere le schede NON correlate.
Questi 50 sono quelli che si possono verificare con il modello.
Quindi sono correlate! Il risultato dipende dall'ordine in cui vengono scartate le caratteristiche.