Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2594
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
A crítica de Deus novamente
É tanto na testa como na cabeça.
Você faz questão, não esta porcaria - vai funcionar, porque não vai funcionar
Estou a ver, até a fantasia está completamente ausente. O OP não cobrirá todo o espaço das variantes do modelo, você terá que escolher e que ela se otimizou e parou na melhor variante. Vai para a fábrica, em resumo. Você assume algumas coisas sem sequer entender com o que está trabalhando. E em caso de aumento é impossível construir OP, pois o número de parâmetros cresce a cada iteração.
Existem mais questões interessantes sobre o uso de MO nas negociações. Por exemplo, o algoritmo de determinar qual o intervalo do histórico a ser utilizado para o treinamento. Talvez possa ser definido por alguns meta-parametros que são otimizados pela validação cruzada. Eu preciso de ler Prado).
Eu queria escrever que quanto mais dados melhor, então eu me lembrei de uma das minhas pequenas experiências (embora tenha sido feita sem representatividade suficiente, então o resultado pode muito bem ser aleatório, mas mesmo assim). Nomeadamente, existem 2 mercados - na minha estimativa subjectiva 1 é mais eficiente, o outro menos. O modelo treinado no mercado mais eficiente deu piores resultados de OOS neste mercado do que o modelo treinado no mercado menos eficiente deu na mesma área.
Muitas vezes os modelos param de trabalhar em um único momento, não importa o tamanho da bandeja. Eu treinei em amostras de diferentes comprimentos, todas elas deixam de funcionar em um determinado ponto da história anterior. Através disto você pode ver que algum padrão está faltando ou mudando.
Acontece então que você tem que treinar em uma seção o mais curta possível. Para que, após a mudança do padrão, o novo padrão comece a funcionar mais rapidamente.
Por exemplo, se você treinar por 12 meses, então após uma mudança de padrão em 6 meses, os novos e antigos padrões serão 50/50. E dentro de cerca de um ano haverá treinamento e negociações sobre o novo padrão. Isto é, durante quase um ano inteiro o padrão tem sido negociado em um padrão ultrapassado e muito provavelmente perdendo.
Se você treinar por 1 mês, o padrão irá aprender a trabalhar corretamente novamente em um mês.
Seria bom treinar durante uma semana... Mas eu não tenho dados suficientes.
Muitas vezes os modelos param de trabalhar em um momento, independentemente do tamanho da bandeja. Eu os treinei em amostras de diferentes comprimentos, todos eles param de trabalhar em um certo ponto da história passada. Através disto você pode ver que algum padrão está faltando ou mudando.
Sobre o barulho, sim. Mas ainda não pensei nisso em termos de levar secções da história com e sem ruído. E a propósito, como você entende isso antes de treinar o modelo? Tipo, de forma iterativa? Treinei todos os sectores, procurei onde melhor funcionava, deixei estes sectores e treinei apenas estes sectores primeiro? Isso dá origem à segunda questão que pode ser chamada filosófica antes da validação experimental: é melhor para o modelo ver imediatamente diferentes áreas, incluindo ruidosos, mas aprender em média com dados ruidosos ou aprender com dados mais limpos, mas não ver uma vez dados ruidosos.
E o que há de errado com tamanhos gigantes? Para além do aumento do tempo de computação?