L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2053
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
E questo è come il catbust è stato addestrato sugli stessi dati (in 5 secondi)
52: imparare: 0.7964708 prova: 0.7848837 migliore: 0.7860866 (27) totale: 604ms rimanente: 5.09s
Set di dati di origine:
Modello addestrato (la seconda metà dello scambio è il campione di prova):
Non sempre, ovviamente, dipende dal campionamento (ed è casuale, cioè ha bisogno di un sovracampionamento). A volte così:
34: impara: 0.5985972 prova: 0.5915832 migliore: 0.5927856 (9) totale: 437ms rimanente: 5.81s
Maxim, ho una domanda, quali sono i valori dei tuoi grafici e hai fatto un grafico di convergenza?
Maxim, ho una domanda, quali sono i valori dei tuoi grafici sugli assi?
Il numero di scambi, per y profitto in pip
l'unica cosa rimasta è salvare il modello nel metaque e controllarlo nel suo tester
il numero di operazioni, y il profitto in pip.
Ho molta esperienza con questo tipo di trading.
ricordi l'ultima volta che abbiamo parlato di maghi? sul paternoster, l'ho messo in allenamento lo stesso giorno, sta ancora imparando. ci sta mettendo molto tempo.
la rete è scritta in metatrader? ) Ho già commentato questo argomento
la rete è scritta in metatrader? ) Ho già commentato questo argomento
Ho già commentato in meta, ma sul lato positivo)))) non si riqualifica)), fai un grafico dei tuoi errori di rete, mi piacerebbe vedere)
E questo è come il catbust è stato addestrato sugli stessi dati (in 5 secondi)
52: imparare: 0.7964708 prova: 0.7848837 migliore: 0.7860866 (27) totale: 604ms rimanente: 5.09s
Set di dati di origine:
Modello addestrato (la seconda metà dello scambio è il campione di prova):
Non sempre, ovviamente, dipende dal campionamento (ed è casuale, cioè ha bisogno di un sovracampionamento). A volte così:
34: impara: 0.5985972 prova: 0.5915832 migliore: 0.5927856 (9) totale: 437ms rimanente: 5.81s
risultato corretto 0,59
non si può semplicemente campionare una serie temporale, non è come l'iride di Fischer ))))
stai guardando nel futuro ... il campionamento è strettamente per la pista, prima dividere, poi campionare
non viceversa come hai fatto tu
sulla mete, ma sul lato positivo)))) non si riqualifica)), fai un grafico dei tuoi errori di rete, mi piacerebbe vedere)
non puoi usare algoritmi che richiedono così tanto tempo per essere riqualificati... potresti diventare grigio.
il risultato corretto è 0,59
non si può semplicemente campionare una serie temporale, non è l'iride di Fisher ))))
stai guardando nel futuro ... il campionamento può essere rigorosamente traccia, prima dividere, poi campionare
non il contrario come hai fatto tu
Cosa intendi per risultato corretto? questi sono errori per diversi set di dati
non linee temporali, ma etichette. vedi i videoNon si possono usare algoritmi che richiedono così tanto tempo per essere appresi.
Akurashi Suppongo che sia l'accuratezza della predizione? E logloss? non ci dovrebbe essere apprendimento su un test, e l'errore dovrebbe essere lo stesso indipendentemente dal numero di passaggi? o -+ almeno, ma non dovrebbe diminuire
Cosa intendi per risultato corretto? questi sono errori per diversi set di dati
non si tratta di campionamento di serie temporali, ma di etichette. vedi i videoHo capito bene che stai addestrando la rete per prevedere le serie temporali, giusto?