O intervalo no qual o modelo é treinado não pode ter um comprimento fixo, esse intervalo sempre flutua em um determinado intervalo. Ele depende do comportamento do instrumento financeiro e precisamos rastrear o momento em que esse comportamento muda. Ou seja, chegamos novamente à necessidade de criar um indicador de falhas.
Existem centenas de modelos de aprendizado de máquina, mas poucas pessoas prestam atenção a qual intervalo para otimizar esses modelos? Obviamente, a questão é complicada, é mais fácil criar um modelo matemático, mesmo que muito complexo, do que resolver essa questão. Imho
Evgeniy Chernish modelos de aprendizado de máquina, mas poucas pessoas prestam atenção a qual intervalo para otimizar esses modelos? Obviamente, a questão é complicada, é mais fácil criar um modelo matemático, mesmo que muito complexo, do que resolver essa questão. Imho
Um indicador que rastreia a forma probabilística da distribuição de uma série e sinaliza uma mudança nessa forma. O indicador Smirnov, por exemplo, é uma tentativa.
Os filtros são feitos com mais frequência por meio de distribuições de momento, por algum motivo o filtro chanfrado funciona melhor. O filtro std também é bom.
Maxim Dmitrievsky #: Os filtros são feitos com mais frequência por distribuições de momento, por algum motivo o filtro chanfrado funciona melhor. O padrão também é bom.
Sim, é ainda mais fácil dessa forma. Não é conveniente trabalhar com distribuições.
Se houver algum estatístico bem versado, a questão é qual é o melhor:
Otimização do TS com um número n de parâmetros no gráfico
Construir um modelo básico retreinado (uma determinada base generalizada de negócios) e, em seguida, procurar intervalos em que ele seja robusto.
Ambas as opções são de ajuste de curva
Na minha opinião, valeria a pena reformular essa oposição em termos de MOE. Há dois modelos distantes um do outro na curva de compensação de dispersão de viés. O TC, devido a um pequeno número fixo de parâmetros, tem uma tendência a aumentar a tendência (o exemplo usual de MO é a regressão linear), enquanto o modelo complexo, ao contrário, tem uma tendência a aumentar a variação.
Obviamente, se o modelo mais simples capturar o padrão real, ele será melhor. Se nenhum dos modelos capturar o padrão, então, novamente, o mais simples é melhor - é mais difícil ver sua falácia no modelo complexo devido à sua melhor adaptabilidade ao ruído). Essa é a resposta teórica óbvia.
Se formos um pouco mais práticos, essencialmente o segundo ponto significa empilhar modelos (pelo menos dois) - um modelo se decompõe (procurando discrepâncias) e o outro toma decisões de negociação. Também pode haver um terceiro modelo que liga/desliga o modelo de negociação, etc. O empilhamento, como é conhecido, tem uma reputação de "magia negra" no MO). Como regra, ele é usado por vencedores de todos os tipos de competições, mas não há teoria ou receitas para isso. Se você tiver a sorte de encontrar um stacking que funcione, ótimo para você). Na minha opinião, em geral, empilhar modelos mais simples parece mais lógico do que tentar enfiar tudo em um modelo mais complexo.
Sim, o problema da decomposição precisa ser resolvido, pois nossas séries não são estacionárias. Mas eu não daria ênfase a isso, porque ele será resolvido de qualquer forma - explícita ou implicitamente)
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Como esse parâmetro é calculado?
Parece que essa pergunta não foi respondida. Como a volatilidade é calculada? MaxMin por "hora"? Normalização?
Parece que essa pergunta não foi respondida. Como a volatilidade é calculada? MaxMin por "hora"? Normalização?
Houve muitas discussões sobre "razoabilidade". Nem sequer me ocorreu perguntar.
chegamos à necessidade de criar um indicador de falhas.
O que é esse monstro?
Os filtros são feitos com mais frequência por distribuições de momento, por algum motivo o filtro chanfrado funciona melhor. O padrão também é bom.
Se houver algum estatístico bem versado, a questão é qual é o melhor:
Na minha opinião, valeria a pena reformular essa oposição em termos de MOE. Há dois modelos distantes um do outro na curva de compensação de dispersão de viés. O TC, devido a um pequeno número fixo de parâmetros, tem uma tendência a aumentar a tendência (o exemplo usual de MO é a regressão linear), enquanto o modelo complexo, ao contrário, tem uma tendência a aumentar a variação.
Obviamente, se o modelo mais simples capturar o padrão real, ele será melhor. Se nenhum dos modelos capturar o padrão, então, novamente, o mais simples é melhor - é mais difícil ver sua falácia no modelo complexo devido à sua melhor adaptabilidade ao ruído). Essa é a resposta teórica óbvia.
Se formos um pouco mais práticos, essencialmente o segundo ponto significa empilhar modelos (pelo menos dois) - um modelo se decompõe (procurando discrepâncias) e o outro toma decisões de negociação. Também pode haver um terceiro modelo que liga/desliga o modelo de negociação, etc. O empilhamento, como é conhecido, tem uma reputação de "magia negra" no MO). Como regra, ele é usado por vencedores de todos os tipos de competições, mas não há teoria ou receitas para isso. Se você tiver a sorte de encontrar um stacking que funcione, ótimo para você). Na minha opinião, em geral, empilhar modelos mais simples parece mais lógico do que tentar enfiar tudo em um modelo mais complexo.
Sim, o problema da decomposição precisa ser resolvido, pois nossas séries não são estacionárias. Mas eu não daria ênfase a isso, porque ele será resolvido de qualquer forma - explícita ou implicitamente)