Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2555
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
Então porque é que a turma não está a prever correctamente? Porque as citações não são o que o modelo espera, distribuição errada. Se gerarmos citações a partir da distribuição correcta, provavelmente é bom...
Tente, não me lembro se o fiz ou não, tive uma ideia semelhante.
Mas provavelmente não há nenhuma ligação entre o passado e o futuro. Isto é, o estado futuro para n bares não é fácil de prever, e pode ser mais difícil do que 1-2 passos à frente.Tente, não me lembro se o fiz ou não, tive uma ideia semelhante.
mas muito provavelmente não há nenhuma ligação entre o passado e o futuro. Isto é, o estado futuro para n barras não é fácil de prever, e pode ser ainda mais difícil do que para 1-2 passos à frente.Assumindo que o modelo também deve funcionar no futuro, haverá sempre erros de todos os tipos (incluindo o ruído), e o desafio é encontrar um equilíbrio. Portanto, estamos a falar da mesma coisa, na essência.
Na verdade, eu estava a resolver este problema de uma forma diferente, é por isso que estou a escrever perguntas importantes
Se você olhar para isso de um ponto de vista global, eu concordo com você. Não importa que conjunto de algoritmos seja tomado no final - os problemas ao usá-lo serão sempre os mesmos.
A propósito, uma idéia um pouco semelhante (ejeção de negócios com valores indicadores longe dos típicos) foi expressa pelo fxsaber em seu blog de hoje.
De uma perspectiva global, eu concordo contigo. Não importa que conjunto de algoritmos seja usado no final - os problemas ao usá-lo serão sempre os mesmos.
A propósito, uma idéia um pouco semelhante (ejeção de negócios com valores indicadores que estão longe de ser típicos) foi expressa pelo fxsaber em seu blog de hoje.
Eu concordo plenamente. As flutuações no corredor com largura dinâmica implicam uma escolha de equilíbrio na previsão e sua probabilidade.
Você pode dizer a um novato se otimizar um EA em um testador/optimista é MO?
A otimização é mais como o processo de treinamento de uma rede neural.
Costumava haver até mesmo soluções para automatizar a otimização para obter os conjuntos mais relevantes.
Uma palestra sobre selecção de modelos
para que não haja mal-entendidos, por assim dizer.
Um novato, está otimizando um EA em um testador/optimista um MO?
MO é apenas um conjunto de algoritmos. Para alguns deles, a optimização do testador é suficientemente boa. Por exemplo, se você precisa encontrar o K ideal em KNN. Mas a maioria dos algoritmos tem a sua própria forma específica de optimização. Por exemplo, descida gradiente em redes neurais.
Em geral, a resposta depende da capacidade de ajustar o modelo específico aos algoritmos de otimização (força bruta e otimização genética).
Uma palestra sobre selecção de modelos
para que não haja mal-entendidos, por assim dizer.
Vorontsov é provavelmente o melhor especialista em MoD na Rússia. O curso é, portanto, necessariamente bom, mas como é para as pessoas de TI, ele omite matemática básica e importante para nós. Tenho notado muitas vezes que para a aplicação de métodos matemáticos no comércio, poucos são adequados na sua forma básica e simplificada.
MO é baseado (veja por exemplo Tibshirani) na suposição de que há uma constante distribuição conjunta de preditores e respostas P(X,Y). A partir dele, a probabilidade condicional Py(Y|X) pode ser calculada, a partir da qual a regressão Y=f(X) pode ser calculada. Eventualmente, esta regressão é aproximada por alguns modelos de MO. No mundo físico, esta teoria funciona mais ou menos. Mas não no comércio. Acontece que P(X,Y) muda imprevisivelmente com o tempo (não-estacionariedade) e toda a teoria desmorona um pouco.
A abordagem mais popular é apenas ignorar a não-estacionariedade e depois ficar surpreendido com os resultados e reclamar do MO).