Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2793
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
Em uma primeira aproximação, você certamente está certo - é preciso ter uma estimativa final, se você quer dizer estimar as medidas de desempenho de um modelo.
Mas há uma nuance que supera tudo.
Avaliar um modelo por meio de seu desempenho é uma avaliação com base em dados históricos. Mas como o modelo se comportará no futuro?
Avalie o teste de validação para frente.
Avalie o Walking Forward com um teste.
É uma avaliação de todo o rebanho. E as ovelhas ruins são eliminadas pedaço por pedaço.
É uma avaliação de todo o rebanho. E as ovelhas ruins são eliminadas pedaço por pedaço.
Em 500 barras, estimar não é uma estatística, você pode ajustar qualquer coisa, pela lei dos grandes números
50 fics = 50 testes de valking fovard com fics removidas uma de cada vez. É longo, mas o resultado será obtido pelo modelo.
Dessa forma, você pode obter o resultado somente no caso de independência completa dos recursos, o que não acontece dessa forma.
Em 500 barras, estimar não é uma estatística, você pode ajustar qualquer coisa, pela lei dos grandes números
Avaliar a capacidade de previsão é suficiente. É possível selecionar fichas que forneçam o erro de previsão do professor em até 20% usando a tecnologia de janela deslizante.
Só é possível obter resultados com esse método se você tiver total independência de recursos, e não é assim que funciona.
Você insere os mesmos dados em seus pacotes. Você também não consegue obter nada?
No pré-processamento, como uma etapa, eu removo os chips correlacionados. Das 170, cerca de 50 permanecem se a correlação não for superior a 75% (!). Quando a correlação não é superior a 50%, restam algumas peças. Mas não estabeleci a meta de coletar fichas NÃO correlacionadas.
No pré-processamento, como uma etapa, eu removo os recursos correlacionados. Dos 170, cerca de 50 permanecem se a correlação não for superior a 75% (!). Se a correlação não for superior a 50%, restarão algumas peças. Mas não defini uma meta para coletar fichas NÃO correlacionadas.
Esses 50 são os que você pode verificar com o modelo.
Portanto, eles estão correlacionados! O resultado depende da ordem em que os recursos são descartados.