Não, foi o tslab, eu alimento os dados do R e simulo a negociação pelo R-sinal para o tslab. É mais rápido, mais conveniente e visual do que simular negociações no R-ka, e eu preciso parar de perder, ter lucro, comissões... então é uma verdadeira dor de cabeça escrever tudo isso
4) se fizer a validação cruzada em treinamento, repita várias vezes nos mesmos dados, veja quanta variação há nos resultados, escolha modelos e preditores com pequena variação
Isto é o que me vem à mente agora, mas não é o limite dos possíveis problemas.
Você ficará surpreso e definitivamente discordará de mim :) ), mas não acredito que a validação cruzada seja eficaz no mercado, pelo menos em seu uso clássico
Você ficará surpreso e definitivamente discordará de mim (e não só de você :) ) mas não acredito que a validação cruzada seja eficaz quando aplicada ao mercado, pelo menos na sua aplicação clássica
Você ficará surpreso e definitivamente discordará de mim (e não só de você :) ) mas não acredito que a validação cruzada seja eficaz quando aplicada ao mercado, pelo menos na sua aplicação clássica
Vamos começar com como você entende o significado da avaliação cruzada. Dá para perceber?
Eu tenho que quanto mais árvores, menos negócios o sistema faz e sua qualidade não aumenta em nada.
por exemplo, se o meu modelo faz 500 negócios com o parâmetro 10/5 então com o parâmetro 5/200 (5 splits, 200 árvores) ele faz um negócio ou nenhum negócio, então a generalização vai para baixo e o modelo está procurando situações muito claras que já aconteceram mas nunca acontecerão no futuro
Alexey Burnakov: Vamos começar com a forma como entende o significado de validação cruzada. Consegue perceber?
Tenho a certeza que é o mesmo que tu.
Dividimos a parcela em 5 partes, treinamos 4 delas, verificamos a 5ª parte e passamos por todas as variantes com segmentos para que a verificação fora da amostra ocorra em todas as 5 partes da amostra e calculamos o erro médio
Eu tenho que quanto mais árvores, menos negócios o sistema faz e sua qualidade não aumenta em nada.
por exemplo, se o meu modelo faz 500 negócios com o parâmetro 10/5 então com o parâmetro 5/200 (5 splits, 200 árvores) ele faz um negócio ou nenhum negócio, então a generalização cai e o modelo está procurando por situações muito claras que uma vez aconteceram mas nunca acontecerão no futuro
Pensamento interessante. Acontece que estás a lutar contra o excesso de treino pelo número de árvores?
Dividimos a parcela em 5 partes, treinamos 4 delas, verificamos a 5ª parte e passamos por todas as variantes com parcelas para que a verificação fora da amostra ocorra em todas as 5 partes da amostra e calculamos o erro médio
Parece ser isso se eu não me tiver esquecido.
Sim. Para que precisas dele? Para encontrar parâmetros ideais de aprendizagem.
O que você não gosta nesta abordagem? Como você vai selecionar os parâmetros?
SanSanych Fomenko: Ideia interessante. Então acontece que pelo número de árvores que estás a lutar contra o sobretreinamento?
não realmente...
O que estou a escrever só se aplica à minha abordagem.
Sabes como faço o meu alvo, são os pivots.
tenho três classes de pivô ( 1 , -1 , 0 )
Você também sabe que o enviesamento das classes é enorme, a classe "0" é dezenas de vezes maior que "-1" e "1".
e isto significa que o modelo é melhor treinado na classe "0" porque tem mais observações e enquanto treina o modelo, quanto mais árvores, mais "0" é treinada e à medida que a classe "0" fica melhor e mais forte começa a (absorver - espremer) as classes "1" , "-1 É por isso que quanto mais árvores, menos negócios.
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
há um ser :)
)))
Por acaso negoceia no wealthlab?
)))
Você negocia no wealthlab?
4) se fizer a validação cruzada em treinamento, repita várias vezes nos mesmos dados, veja quanta variação há nos resultados, escolha modelos e preditores com pequena variação
Isto é o que me vem à mente agora, mas não é o limite dos possíveis problemas.
Você ficará surpreso e definitivamente discordará de mim :) ), mas não acredito que a validação cruzada seja eficaz no mercado, pelo menos em seu uso clássico
Você ficará surpreso e definitivamente discordará de mim (e não só de você :) ) mas não acredito que a validação cruzada seja eficaz quando aplicada ao mercado, pelo menos na sua aplicação clássica
Você ficará surpreso e definitivamente discordará de mim (e não só de você :) ) mas não acredito que a validação cruzada seja eficaz quando aplicada ao mercado, pelo menos na sua aplicação clássica
Porquê tão poucas árvores?
Eu tenho que quanto mais árvores, menos negócios o sistema faz e sua qualidade não aumenta em nada.
por exemplo, se o meu modelo faz 500 negócios com o parâmetro 10/5 então com o parâmetro 5/200 (5 splits, 200 árvores) ele faz um negócio ou nenhum negócio, então a generalização vai para baixo e o modelo está procurando situações muito claras que já aconteceram mas nunca acontecerão no futuro
Vamos começar com a forma como entende o significado de validação cruzada. Consegue perceber?
Tenho a certeza que é o mesmo que tu.
Dividimos a parcela em 5 partes, treinamos 4 delas, verificamos a 5ª parte e passamos por todas as variantes com segmentos para que a verificação fora da amostra ocorra em todas as 5 partes da amostra e calculamos o erro médio
Isso parece ser se eu não tiver esquecido
Eu tenho que quanto mais árvores, menos negócios o sistema faz e sua qualidade não aumenta em nada.
por exemplo, se o meu modelo faz 500 negócios com o parâmetro 10/5 então com o parâmetro 5/200 (5 splits, 200 árvores) ele faz um negócio ou nenhum negócio, então a generalização cai e o modelo está procurando por situações muito claras que uma vez aconteceram mas nunca acontecerão no futuro
Tenho a certeza que é o mesmo que tu.
Dividimos a parcela em 5 partes, treinamos 4 delas, verificamos a 5ª parte e passamos por todas as variantes com parcelas para que a verificação fora da amostra ocorra em todas as 5 partes da amostra e calculamos o erro médio
Parece ser isso se eu não me tiver esquecido.
Sim. Para que precisas dele? Para encontrar parâmetros ideais de aprendizagem.
O que você não gosta nesta abordagem? Como você vai selecionar os parâmetros?
Ideia interessante. Então acontece que pelo número de árvores que estás a lutar contra o sobretreinamento?
não realmente...
O que estou a escrever só se aplica à minha abordagem.
Sabes como faço o meu alvo, são os pivots.
tenho três classes de pivô ( 1 , -1 , 0 )
Você também sabe que o enviesamento das classes é enorme, a classe "0" é dezenas de vezes maior que "-1" e "1".
e isto significa que o modelo é melhor treinado na classe "0" porque tem mais observações e enquanto treina o modelo, quanto mais árvores, mais "0" é treinada e à medida que a classe "0" fica melhor e mais forte começa a (absorver - espremer) as classes "1" , "-1 É por isso que quanto mais árvores, menos negócios.