Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1211
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
O meu robô está sempre do lado positivo. Não sei quando é possível fazer uma encomenda de cada vez e não sei como abri-la de imediato. Por isso, preciso de saber quando é que o robô pode fazer pior que o normal... como os riscos são limitados, o meu lucro é apenas uma questão de tempo... e às vezes é preciso esperar uma semana... E numa semana, se não houvesse tais drawdowns, você poderia ter feito muito mais...
Martin e drawdown são dois amigos inseparáveis
E não importa o quanto tenhas tendência/flutuação, será sempre assim.
PS
Pode dar-me um link para o livro de texto, por favor?
Por favor, avise, porque é preguiçoso demais para ler 1200 páginas, alguém aqui tentou implementar a aprendizagem da máquina com base nos resultados da negociação em EAs fechados?
https://www.mql5.com/ru/code/22710
Martin e Drawdown são dois amigos inseparáveis
E não importa como a tendência/flutuação será sempre assim.
PS
Você tem um link para o manual?
Martin e drawdown são dois amigos inseparáveis
E não importa como a tendência/flutuação será sempre assim.
PS
Você tem um link para o manual?
Os resultados preliminares (já que ainda não fiz todos os prognósticos) sobre a criação de modelos determinando modelos rentáveis (1) não foram tão ruins, aqui está a divisão por y - lucro em amostra independente, e por x - 1 - TP+FP e 0 - TN+FN.
A meta era lucro de 2000, bem, não foi alcançada até agora, mas apenas 3 modelos entraram na área de perdas de 960, o que não é um mau resultado.
A tabela da conjugação
O resultado financeiro médio não classificado é de 1318,83, após a classificação 1 - 2221,04 e 0 - 1188,66, pelo que após a classificação o resultado financeiro médio dos modelos aumentou 68%, o que não é mau.
No entanto, resta saber se este modelo pode funcionar com modelos construídos com base noutros dados.
Treinamento Logloss - surpreendentemente, a amostra de teste (na qual o modelo é automaticamente amostrado - não a amostra de treinamento) e o independente (exame) Logloss_e convergem quase perfeitamente.
Tal como a Recall.
E a métrica de Precisão me surpreendeu, já que por padrão é usada para a seleção de modelos, eu não tive nenhum treinamento porque imediatamente foi igual a 1 na primeira árvore.
Mas as diferentes métricas no teste e exame - o resultado surpreende-me muito - um delta muito pequeno.
Pelos gráficos é claro que posso ver que o modelo está sobre-treinado e eu poderia ter parado de treinar em 3500 árvores ou até mais cedo, mas eu não ajustei o modelo e os dados estão na verdade com configurações padrão.
Um erro em algum lugar, não existe tal coisa como um teste e uma pista uniforme. Ou graal, depois partilhe :D
Não é um graal, tenho outros modelos de 100k na minha cópia e os resultados não são muito bons para eles - todos os modelos rentáveis estão recebendo apenas 2%, mas os rentáveis têm muitos demais.
Acho que é o efeito de um sistema fechado, ou seja, algum tipo de estacionariedade, porque os modelos são semelhantes entre si, só consegui identificar bem as suas características, por isso há uma discrepância tão pequena entre os resultados.
Estou terminando os preditores planejados e o que me ocorre - talvez eu deva remover imediatamente aqueles modelos que eu mesmo não escolheria (grandes drawdowns, forte desproporção entre compras e vendas, distribuição de probabilidade muito pequena, etc.), então a informação sobre modelos obviamente ruins diminuirá, mas haverá mais ênfase na escolha de um modelo de hipotético bom (é claro, o modelo bom no teste pode ter resultados ruins na amostra de teste). Então eu não sei se devo cortar a amostra ou não, o que você acha?
Além disso, recusarei o lucro puro como alvo - selecionarei os modelos de acordo com uma série de critérios - infelizmente, isso reduzirá o alvo "1", mas talvez haja conexões mais profundas que permitirão avaliar o modelo de acordo com os resultados dos testes.
Alguém tentou implementar a aprendizagem da máquina com base nos resultados da negociação em ordens fechadas de Expert Advisors?
Não há necessidade de ler este tópico, acredite em mim, você vai desperdiçar a sua mente, tente fazer imediatamente como aquiTESTEMUNHOS ANTERIORES Este é um excelente curso introdutório ao uso de RI em algoritmos de negociação, mas em geral RI é um assunto muito amplo, na verdade RI é uma extensão da estatística clássica, principalmente com truques heurísticos e de engenharia, portanto não é uma ciência, mas um xamanismo tecnológico, o que por um lado é interessante, mas por outro lado está repleto de especulações e abusos. Se você pode estar interessado no desenvolvimento de indicadores, você pode esquecer o que você fez originalmente, e o MO é um buraco sem fundo, você pode mergulhar e nunca sair. Além disso, você deve ter uma boa formação matemática, pelo menos um bacharelado em engenharia, a fim de lidar com indicadores ao invés de aborrecer os parâmetros de bibliotecas e pacotes.
Não é um graal, há mais 100 mil modelos e o resultado não é muito bom para eles - sim, corta bem modelos completamente não rentáveis - apenas 2%, mas também corta muitos modelos rentáveis demais.
Acho que é o efeito de um sistema fechado, ou seja, algum tipo de estacionariedade, porque os modelos são semelhantes entre si, só consegui identificar bem as suas características, por isso há uma discrepância tão pequena entre os resultados.
Estou terminando os preditores planejados e o que me ocorre - talvez eu deva remover imediatamente aqueles modelos que eu mesmo não escolheria (grandes drawdowns, forte desproporção entre compras e vendas, distribuição de probabilidade muito pequena, etc.), então a informação sobre modelos obviamente ruins diminuirá, mas haverá mais ênfase na escolha de um modelo de hipotético bom (é claro, o modelo bom no teste pode ter resultados ruins na amostra de teste). Então eu não sei se devo cortar a amostra ou não, o que você acha?
Bem, eu também vou desistir do lucro puro como alvo - vou selecionar os modelos por uma série de critérios - infelizmente, isso vai reduzir o alvo "1", mas talvez haja relações mais profundas, o que vai permitir avaliar o modelo por resultados de teste.
bem, é claro, se houver uma futilidade clara, você pode removê-la.