Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3124
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 que
escrever poesias e livros
começar a escrever.
É sua praia e provavelmente é mais lucrativa
O modelo é tendencioso. Portanto, precisamos forçá-lo a aprender sem esse viés. Mas primeiro precisamos encontrar os coeficientes de viés, digamos que seja uma inclinação ou um termo livre (intercepto), como na regressão. E se fizermos com que ele seja treinado de forma que esse termo não varie de acordo com a linha e o OOS? Basicamente, estou citando livros sobre kozulu.
Suponha que haja uma tendência global de alta por 3 meses. O preço cresceu 7%. Ao mesmo tempo, há mudanças de até 2% em ambas as direções durante um dia.
Que peso deve ser dado aos retornos H1 da 1ª barra, 2ª barra ..... 100 bar? E o restante das fichas. Duvido que existam fórmulas cientificamente (ou pelo menos experimentalmente) justificadas.
A atribuição de centenas de pesos tornará a busca por um modelo adequado ainda mais difícil. Já existem muitos hiperparâmetros.
Digamos que tenha havido uma tendência global de alta por 3 meses. O preço cresceu 7%. Ao mesmo tempo, há mudanças de até 2% em ambas as direções por dia.
Que peso deve ser dado aos retornos H1 da 1ª barra, 2ª barra .... 100 bar? E o restante das fichas. Duvido que existam fórmulas cientificamente (ou pelo menos experimentalmente) justificadas.
A atribuição de centenas de pesos tornará a busca por um modelo adequado ainda mais difícil. Já existe um mar de hiperparâmetros.
Quando não há certeza clara de causa e efeito,
Vários ticks já preveem a direção futura do preço.
Você não verá isso na barra horária ou diária, é claro.
Aqui está uma sugestão.
E, em princípio, você não deveria.
E, em princípio, você não deveria.
O modelo de venda começa a cair quando a tendência global (apenas 1-1,5 anos) é de alta. Ele encontra uma oportunidade de ganhar com a negociação, mas no OOS ele entra em declínio.
Talvez a primeira variante com seleção de compra e venda por um modelo seja melhor. Mas se ela se ajustar à tendência global, ela se esgotará nos momentos de mudança de tendência. E provavelmente negociará em um único sentido durante anos.
O principal sinal de treinamento excessivo do modelo é uma divergência entre o TRAIN e o OOS. Se houver essa discrepância, então tudo deve ser jogado fora, tudo está vazio, toda a viagem é falsa.
O principal sinal de supertreinamento do modelo é uma divergência entre a trilha e o OOS. Se houver essa discrepância, então tudo deve ser descartado, tudo está vazio, toda a caminhada é falsa.
Informações desatualizadas.
Diga melhor o que você faz com o mahalanobis, e nós o analisaremos.informações desatualizadas.
Diga-me o que está fazendo com o mahalanobis, vamos dar uma olhada.Informações desatualizadas ( O principal sinal deretreinamento do modelo é uma divergência na linha e no OOS).
É claro que está desatualizado. Suspeito que, se aplicado, tudo o que você fizer terá que jogar fora todo o seu p-quadrado para o equilíbrio mítico.
Diga-me melhor o que você faz com o mahalanobis e daremos uma olhada.
Não sei.
No R, o pacote fastmatrix::Mahalanobis(x, centre, cov, inverted = FALSE) conta a distância euclidiana entre vetores.
Por que precisamos disso?
Precisamos do poder preditivo do preditor, ou seja, a capacidade de prever classes diferentes e no futuro, de modo que as flutuações no poder preditivo sejam mínimas, bem, pelo menos dentro de 10%. É por isso que uso uma abordagem diferente. Já publiquei os resultados dos cálculos uma vez.
informações desatualizadas ( o principal sinal deretreinamento do modelo é uma discrepância na linha de base e no OOS).
É claro que isso está desatualizado. Suspeito que, se aplicada, tudo o que você faz é jogar fora todo o seu p-quadrado para obter um equilíbrio mítico.
Diga-nos o que está fazendo com o mahalanobis e nós daremos uma olhada.
Não sei.
No pacote R, fastmatrix::Mahalanobis(x, centre, cov, inverted = FALSE) conta a distância euclidiana entre vetores.
Por que precisamos disso?
Precisamos do poder preditivo do preditor, ou seja, a capacidade de prever classes diferentes e no futuro, de modo que as flutuações no poder preditivo sejam mínimas, bem, pelo menos dentro de 10%. É por isso que uso uma abordagem diferente e publiquei os resultados dos cálculos uma vez.
mahalanobis
Você perguntou sobre mahalanobis, eu respondi, e não apenas respondi, mas escrevi o motivo pelo qual não o uso.