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
Per qualche motivo pensate che il vostro hobby sia il più affascinante.
Hai ragione.
A ciascuno il suo.
Ma anche io sono interessato a ME.
Ma perché dovrei calpestare lo stesso rastrello?
Sentirò il risultato positivo della ricerca qui, e mi unirò volentieri agli esperti affermati in questo campo.
Tuttavia, gli errori di pensiero sono visibili a occhio nudo.
e voglio davvero che si vada nella direzione giusta per ottenere il risultato atteso in breve tempo.
sulle strategie ansabili
https://buildalpha.wordpress.com/2018/11/20/buildalpha-ensemble-strategies-reduce-overfitting-by-combining-strategies/
----------------------------------------
Quindi tutto ciò che serve è una metrica di riqualificazione della strategia per sapere se una strategia funzionerà o meno su nuovi dati, tutto il resto è risolvibile....
----------------------------------------
Esiste l'idea di adottare diversi approcci per rilevare l'overtraining, il mio si basa su auto.arima, Prado "PBO". È possibile fare qualcos'altro, inserire dei predittori e insegnare ad AMO a prevedere la probabilità di sovrallenamento e farne una metrica.
In alternativa.
metrica di riqualificazione della strategia per sapere se una strategia funzionerà o meno su nuovi dati.
un'altra variante della parola Graal? :-) "per sapere se funzionerà in futuro".
un'altra variante della formulazione della parola Graal? :-) "per sapere se funzionerà in futuro".
Non sono preciso, abbiamo bisogno di una probabilità onesta per esempio - funzionerà su nuovi dati con il 69% di probabilità.
sul p-hacking e sulle strategie
https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/
Se mi è consentito, vorrei dare il mio contributo a un argomento così interessante e importante.
L'apprendimento automatico (Machine Learning, ML) è una classe di metodi di intelligenza artificiale la cui caratteristica non è la soluzione diretta di un problema, ma l'apprendimento attraverso l'applicazione di soluzioni a un insieme di problemi simili. Per costruire tali metodi si utilizzano strumenti di statistica matematica, metodi numerici, analisi matematica, metodi di ottimizzazione, teoria della probabilità, teoria dei grafi e varie tecniche per lavorare con i dati in forma digitale.
P.Z.
P.Z.
la cosa più importante qui è non scrivere un sacco di parole, già così stanco di ricerca che 1-2 frasi non sarà letto
sul p-hacking e sulle strategie
https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/
Quindi l'ottimizzazione o l'apprendimento delle strategie dovrebbe avere un aspetto simile a questo:
dove il punteggio medio è l'analogo del risultato ottenuto con la convalida incrociata
Quindi l'ottimizzazione di una strategia o di un allenamento dovrebbe essere simile a questa:
dove il punteggio medio è l'analogo del risultato ottenuto con la convalida incrociata