Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2838
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
Há alguma maneira de alimentar o equilíbrio ou qualquer outra coisa através do gradiente no boost....
Aqui está o esquema:
Marcamos o gráfico com negociações perfeitas (no extremo de baixa compramos, no extremo de alta vendemos) e criamos uma falsa negociação perfeita.
Vou chamá-la de equilíbrio perfeito
Em seguida, calculamos o saldo da negociação a partir do impulso
Então, na função objetivo, simplesmente calculamos o erro da balança comercial do impulso com a balança ideal.
obtemos um ajuste ao saldo ideal, ou seja, não se trata de uma busca por um lucro máximo abstrato, mas de um ajuste ao comércio ideal expresso no saldo de lucro.
Azul é o equilíbrio ideal, preto é o teste de treinamento e modelo.
Bem, isso está próximo do que estou dizendo.
Não é o equilíbrio que precisa ser maximizado, mas um determinado critério complexo, no seu exemplo, a divisão em negociações separadas. essa é uma função derivada do equilíbrio original, uma função mais suave. é isso que precisamos para procurar o ótimo global da função derivada. é isso que estou tentando dizer. e, nesse caso, é importante como qualitativamente o extremo global da função derivada será encontrado.
Há muitas maneiras de criar derivadas de funções a partir da original, limitadas apenas pela imaginação.
em vez de se atirar contra as pessoas, você pode tentar entender. se entender, ótimo. se não entender, passe adiante.
Em vez de atacar as pessoas, você pode tentar entendê-las. Se entender, ótimo. Se não entender, passe longe.
Meus ataques foram sobre o fato de que não é possível comparar diferentes AOs em termos iguais e decidir qual é bom e qual é ruim....
Cada AO tem suas próprias superfícies de otimização.
A SELEÇÃO do AO depende da superfície de otimização, não de gostos subjetivos.
Se a superfície for lisa e tiver um mínimo, se uma pessoa aplicar um algoritmo genético ou de enxame ou de recozimento ou qualquer outro algoritmo de otimização global a ela, ela é uma tola que não entende o que está fazendo, porque a descida de gradiente resolverá esse problema 100 vezes mais rápido.
Se a superfície for complexa, ruidosa, tiver muitos mínimos e a pessoa usar a descida de gradiente, ela também será tola , porque o algoritmo ficará preso no mínimo mais longo.
Se uma pessoa decidir comparar, por exemplo, a descida de gradiente com a genética, ela será tola se continuar?
É um mal-entendido de coisas elementares.
meu ataque foi que não é possível comparar diferentes AOs em pé de igualdade e decidir qual é bom e qual é ruim.
Cada AO tem suas próprias superfícies de otimização.
A escolha do AO depende da superfície de otimização, não de simpatias subjetivas
Comparo os algoritmos com três funções de teste completamente diferentes, para que você possa ver as vantagens específicas de cada algoritmo em testes separados e, assim, ver onde eles são fortes e escolher o melhor para as tarefas específicas do pesquisador.
A maioria dos algoritmos especializados em redes tem alguma forma de suavização em sua lógica, ou momentos. Eles são orientados para a aplicação de derivadas suaves das funções do problema-alvo.
Comparo os algoritmos com três funções de teste completamente diferentes, para que você possa ver as vantagens específicas de cada algoritmo em testes separados, portanto, você pode ver onde eles são fortes e, portanto, pode escolher o melhor para as tarefas específicas do pesquisador.
A maioria dos algoritmos especializados em redes tem alguma forma de suavização em sua lógica, ou momentos. Eles são orientados para a aplicação de derivadas suaves das funções do problema-alvo.
Não é possível comparar diferentes tipos de AO nas mesmas condições porque eles resolvem problemas diferentes, essa é a minha mensagem
Não é possível comparar diferentes tipos de AOs nas mesmas condições porque eles têm tarefas diferentes a realizar, essa é a minha mensagem
Acho que não entendi o que eu disse da última vez.... Mais uma vez, é possível comparar, e é por isso que são usados diferentes problemas de teste para comparar algoritmos adequadamente às especificidades da tarefa. Os testes mostram para quais tarefas o uso de AO é ideal, para que você possa escolher entre eles.
Por exemplo: se o ADAM mostrar superioridade em funções suaves - ótimo! - então é assim que ele deve ser usado; caso contrário, é melhor escolher outro algoritmo. Mas se o ADAM for péssimo em todos os testes, bem, então devemos escolher algo melhor, só isso. Atualmente, a maioria das pessoas escolhe algo específico de acordo com a "moda", sem saber se fez a melhor escolha ou não.
As marcas de classe são perfeitas e, portanto, estão em perfeito equilíbrio. O óleo é oleoso. É impossível melhorar qualquer coisa lá.
Minha intuição me diz que logo isso se tornará um lugar comum para o MO nas negociações.
Não que isso seja uma garantia de lucro, mas o fato de não usá-lo será considerado uma garantia de fracasso.)
San Sanych está certo sobre os problemas de aplicabilidade dos resultados da otimização no histórico devido à não estacionariedade do mercado. O problema é que essa otimização é a única coisa que temos. Por exemplo, suas próprias abordagens de seleção de recursos também são otimizações no histórico, embora mais complicadas.)
Ou algum tipo de validação cruzada, por exemplo - isso também é otimização no histórico.