L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3139
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
può essere
il bardo funziona via vps?
può essere
lui sa già perché gli ho dato le informazioni, gli si può insegnare al volo quello che non sapeva prima... dopo avergli dato queste conoscenze ho caricato una nuova sessione e lui sapeva già di questo pacchetto )) cool.
Signori, non dobbiamo dimenticare o renderci conto che....
Non appena un qualsiasi tipo di robot è presente sul mercato reale, le sue azioni diventano prevedibili e trasparenti per il mercato, perché diventa integrato nel sistema di trading generale e da quel momento i segnali saranno fatti da un algoritmo di pricing adattivo piuttosto che da dati storici morti.
È facile regolare/modellare il prezzo in base alla situazione in cui il robot darà soldi.
E sarà più spesso che nel tester, il 100% delle volte.
Guardate il vostro bilancio ottenuto con MO ;))))
ripetutamente su e giù.
Ve lo dico subito: un tipico prosciugatore, alias tester Graal.
Un TS di questo tipo non funzionerà mai nella vita reale.
Lo sa già perché gli ho dato le informazioni, gli si può insegnare al volo ciò che non sapeva prima... dopo avergli dato queste conoscenze ho caricato una nuova sessione e lui sapeva già di questo pacchetto )) cool
divertente
Il bardo funziona su vps?
vpn sì
Una nave sta attraversando l'universo in direzione di Marte.
I motori fotonici l'hanno accelerata al limite e viaggia per inerzia.
Un cosmonauta siede in cima all'astronave, con una bandiera nella mano sinistra.
Con la mano destra lancia un bullone di diametro M40 con un'accelerazione di 5 metri al secondo.
Domanda. Cosa succede al bullone?
А. Troverà il suo dado.
Б. Volerà a velocità costante.
В. Volerà con accelerazione.
Г. Si attacca al guanto dell'astronauta.
Д. Sarà il primo a raggiungere Marte.
Е. Tornerà sulla Terra.
P.Z.
Imparerà a far funzionare le macchine e inizierà a controllare il cosmonauta, con l'aiuto di un'astronave?
scherzo
È stupido come l'inferno, ma impara in modo diverso dagli altri modelli, penso che quando imparerà sarà brutale.
C'è una nave che viaggia attraverso l'universo verso Marte.
I motori fotonici l'hanno accelerata al limite e vola per inerzia.
Un cosmonauta siede in cima all'astronave, con una bandiera nella mano sinistra.
Con la mano destra lancia un bullone di diametro M40 con un'accelerazione di 5 metri al secondo.
Domanda. Cosa succede al bullone?
А. Troverà il suo dado.
Б. Volerà a velocità costante.
В. Volerà con accelerazione.
Г. Si attacca al guanto dell'astronauta.
Д. Sarà il primo a volare su Marte.
Е. Tornerà sulla Terra.
P.Z.
Imparerà a far funzionare le macchine e inizierà a controllare il cosmonauta, per mezzo di un'astronave?
È un idiota, ma impara in modo diverso dagli altri modelli. Penso che quando imparerà, sarà brutale.
Una sintesi dell'articolo di Prado sulla riqualificazione di
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Bard:
L'essenza del metodo degli autori consiste nell'utilizzare la convalida incrociata per stimare quanto cambia il modello quando vengono aggiunti nuovi dati. Se il modello cambia molto, significa che è sovrallenato sui dati di addestramento ed è probabile che lo sia anche sui dati di test.
Il metodo degli autori funziona come segue:
Il metodo degli autori è più accurato dei metodi tradizionali di stima dell'overfitting, come l'holdout, perché tiene conto dei cambiamenti del modello quando vengono aggiunti nuovi dati. Il metodo dell'holdout stima l'overtraining basandosi solo sui dati di training e di test, ma non tiene conto dei cambiamenti del modello quando vengono aggiunti nuovi dati.
Il metodo degli autori può essere utilizzato per stimare la probabilità di overtraining di qualsiasi modello di apprendimento automatico. Può essere utilizzato per stimare la probabilità di overtraining di un modello che predice i prezzi delle azioni, di un modello che classifica le immagini o di qualsiasi altro modello di apprendimento automatico.
opzione 2 ====================================
Il metodo proposto dagli autori si basa sull'idea di utilizzare la convalida incrociata per stimare quanto cambia il modello quando vengono aggiunti nuovi dati. Se il modello cambia molto, significa che è sovrallenato sui dati di addestramento ed è probabile che lo sia anche sui dati di test.
Per stimare la probabilità di sovrallenamento, gli autori utilizzano un metodo di convalida incrociata chiamato k-fold cross-validation. Nella convalida incrociata k-fold, i dati vengono suddivisi in k parti uguali. Il modello viene quindi addestrato su k-1 parti dei dati e la parte rimanente dei dati viene utilizzata per i test. Questo processo viene ripetuto k volte e i risultati dei k test vengono combinati per ottenere una stima dell'accuratezza del modello.
Una volta ottenuta la stima dell'accuratezza del modello, gli autori la utilizzano per stimare la probabilità di sovrallenamento. A tal fine, calcolano la varianza delle stime di accuratezza. Più alta è la varianza, maggiore è la probabilità di sovrallenamento.
Gli autori dimostrano che il loro metodo può essere più accurato dei metodi tradizionali di stima del sovrallenamento, come l'holdout. Dimostrano inoltre che il loro metodo può essere utilizzato per selezionare i migliori iperparametri per il modello.
Ecco i passaggi utilizzati dagli autori per stimare la probabilità di overtraining:
Gli autori dimostrano che il loro metodo può essere utilizzato per stimare la probabilità di overtraining per una serie di modelli di apprendimento automatico, tra cui la regressione lineare, la regressione logistica e gli alberi decisionali. Dimostrano inoltre che il loro metodo può essere utilizzato per selezionare i migliori iperparametri per questi modelli.
Nel complesso, il metodo proposto dagli autori è uno strumento accurato e utile per stimare la probabilità di overtraining. Il metodo degli autori può essere utilizzato per stimare la probabilità di overtraining di un modello e per selezionare i migliori iperparametri per il modello.
opzione 3 =========================================
Il metodo degli autori si basa sull'idea di utilizzare la convalida incrociata per stimare quanto cambia il modello quando vengono aggiunti nuovi dati. Se il modello cambia molto, significa che si sta adattando eccessivamente ai dati di addestramento ed è probabile che si adatti eccessivamente ai dati di test.
Per dimostrare l'accuratezza del loro metodo, gli autori lo hanno applicato al compito di prevedere i prezzi delle azioni. Hanno confrontato i risultati del loro metodo con quelli di holdout e hanno dimostrato che il loro metodo prevede con maggiore precisione i prezzi delle azioni.
Gli autori hanno inoltre dimostrato che il loro metodo può essere utilizzato per selezionare i migliori iperparametri del modello. Hanno utilizzato il loro metodo per selezionare i migliori iperparametri per un modello di apprendimento automatico che prevede i prezzi delle azioni. Hanno dimostrato che il loro metodo può selezionare iperparametri che portano a un modello con una maggiore accuratezza.
Nel complesso, gli autori hanno dimostrato che il loro metodo per stimare la probabilità di sovrallenamento è uno strumento accurato e utile per il backtesting. Il metodo degli autori può essere utilizzato per stimare la probabilità di overtraining del modello e per selezionare i migliori iperparametri per il modello.
Ecco i passaggi utilizzati nella metodologia degli autori:
Il metodo degli autori è più accurato dei metodi tradizionali di stima dell'overfitting, come l'holdout, perché tiene conto del cambiamento del modello quando vengono aggiunti nuovi dati. Il metodo holdout stima il modello solo sul training set e sul test set. Ciò significa che il metodo holdout non può tenere conto del cambiamento del modello quando vengono aggiunti nuovi dati.
Il metodo degli autori può essere utilizzato anche per selezionare i migliori iperparametri del modello. Il metodo holdout non può essere utilizzato per selezionare i migliori iperparametri del modello perché non tiene conto del cambiamento del modello quando vengono aggiunti nuovi dati.
Nel complesso, il metodo degli autori è uno strumento accurato e utile per il backtesting. Il metodo degli autori può essere utilizzato per stimare la probabilità di overfitting del modello e per selezionare i migliori iperparametri del modello.