L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3177
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
Non ho mai utilizzato questa funzionalità prima d'ora.
Si tratta di questa funzione?
Sì
Sì
Cioè, devo generare un target binario per un campione, diciamo, e vedere quante volte i segmenti quantici saranno trovati dal mio metodo per diversi predittori, e così 10 volte?
Se il numero di segmenti quantici verrà trovato in media come ora per tutti i predittori, allora il metodo non funziona, ho capito bene?
La coda e gli altri parametri della serie rimarranno invariati. Credo che questo sia un vantaggio.
C'è il rischio di impantanarsi di nuovo in discussioni inutili. Qual è la differenza tra un insieme trovato a caso che funziona su oos e uno che è stato inventato attraverso la più dura sofferenza mentale, ma anche senza una giustificazione fondamentale? Quando il metodo di validazione è lo stesso. Domanda retorica.
Qual è la differenza tra una ricerca casuale e una ricerca con un elemento di casualità di scelta? ))L'obiettivo è rilevare la violazione delle regole, e per farlo è necessario sapere come si presentano nella forma corretta. In altre parole, quali caratteristiche statistiche descrittive possono indicare che si tratta effettivamente di uno schema. Se le conoscete, la deviazione da queste regole sarà un segnale per fermare il modello.
Inoltre, assemblare un modello a partire da tali regole sembra essere una soluzione più stabile rispetto all'assemblaggio di pura casualità.
Un paio di regole che danno il profitto principale possono entrare nella casualità, ma poi il mercato può dimenticarsene per un po'. Con la casualità è più probabile farsi prendere dal panico e spegnere il modello all'inizio di un drawdown, ma con l'approccio che suggerisco - aspettando che l'ordine delle regole cambi, cioè un drawdown può essere riconosciuto come un fenomeno normale.
L'effetto descritto sopra si può vedere chiaramente nelle gif che ho realizzato, dove in un caso il test campione è più, e in un altro caso - anche se le regole sono tutte prese dal treno campione, ma la loro (delle regole) apparizione non è uniforme nel tempo.
Il vantaggio di questo approccio, idealmente, è quello di evitare del tutto il campionamento degli esami.
Un'alternativa potrebbe essere la stima profonda del modello - ci sono alcuni lavori anche in questa direzione.
Di conseguenza, utilizzando solo un modello casuale:
1. Non sappiamo perché funziona.
2. Non sappiamo perché ha smesso di funzionare.
3. Non sappiamo come "aggiustarlo".
4. Non sappiamo se è ora di smettere di fare trading.
5. La vita di un modello casuale sarà più breve perché contiene regole errate.
Con la randomizzazione, personalmente ottengo circa quanto segue: su 100 modelli, 30 su 30 vengono selezionati entro un semestre, nella zona redditizia circa 10. Voglio almeno il 50% al 50%, poi possiamo fare dei partfiles.
Non sarebbe sufficiente mescolare la colonna con quella di destinazione?
La coda e gli altri parametri della serie rimarranno invariati. Penso che questo sia un vantaggio.
Puoi spiegarmi meglio - non capisco.
La domanda era retorica
Non avete bisogno di capire quello che vi sto spiegando e per questo non ho voglia di sprecare energie in una nuova spiegazione. Rimani della tua opinione sull'identità del risultato con approcci diversi.
Non avete bisogno di capire quello che vi sto spiegando e per questo non ho voglia di sprecare energie in una spiegazione ripetuta. Rimani della tua opinione sull'identità del risultato nei diversi approcci.
Cioè, devo generare un target binario per un campione, diciamo, e vedere quante volte i segmenti quantici saranno trovati dalla mia tecnica per diversi predittori, e così 10 volte?
Se il numero di segmenti quantici sarà mediamente uguale a quello attuale per tutti i predittori, allora il metodo non funziona, ho capito bene?
Ebbene sì, il punto è ripetere la procedura molte volte su un gran numero di problemi ovviamente privi di significato. Poi vedere come appare l'applicazione su dati reali specifici rispetto a questi - se non si distingue molto, allora il metodo non funziona. Di solito si formalizza contando un certo numero su ogni applicazione del metodo e si estrae un campione, per poi vedere se il numero calcolato sui dati reali cade molto nella sua coda - se sì, allora va bene.
Guardate, perché se non vi viene dato un modello nella serie originale, il sentiero hilbertiano non vi condurrà alla meta che vi sta a cuore. I vostri sforzi si trasformeranno in diavolerie e troverete un ignominioso massacro invece del paradiso.
Il problema dei settari è la paura di mettere alla prova i loro dogmi religiosi.
Ci sono sempre molti modelli: la questione è la scelta giusta.