Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 351
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Eigentlich ist das nicht richtig.
Je komplexer das System wird, desto höher sollten Rentabilität und Stabilität sein. Das heißt, dass mit zunehmender Komplexität des Systems auch seine Benutzereigenschaften zunehmen sollten.
Das ist absolut NICHT richtig.
Die informativen Kriterien, die es dort gibt, zielen darauf ab, die Komplexität des Modells zu minimieren. Die Modellvergröberung ist ein sehr wirksames Mittel gegen das Hauptübel des Handels - das Übertraining.
Maxim Dmitrievsky:
Was soll's.
Wir nehmen einfach die einfachste Variante - einen Zufallswald. Normalerweise erhalten wir Unterricht als Ergebnis einer Ausbildung. In Wirklichkeit gibt der Algorithmus die Wahrscheinlichkeit einer Klasse an, aus der wir eine Klasse erhalten. Normalerweise teilen wir die Wahrscheinlichkeit für zwei Klassen in zwei Hälften.
Wie wäre es mit einer Unterteilung in Klassen: 0 - 0,1 ist eine Klasse und 0,9 - 1,0 ist eine andere Klasse? Und die Lücke zwischen 0,1 und 0,9 ist nicht marktfähig?
Das ist es, was ich in dem Artikel gesehen habe.
Stimmt überhaupt nicht.
Die informativen Kriterien, die es dort gibt, zielen darauf ab, die Komplexität des Modells zu minimieren. Die Vergröberung des Modells ist ein sehr wirksames Instrument zur Bekämpfung des größten Übels im Handel - des Übertrainings (Overfitting).
Ich weiß nicht, warum das falsch ist). Ab dem zweiten Satz sprechen wir über dieselbe Sache.
Es gibt einen Text in meinem Beitrag, der nicht korrekt ist. Dann geben Sie diese Position bekannt.
Die allgemeine Regel lautet: Erhalte ein großartiges System in Bezug auf die Rentabilität und mache es dann in Bezug auf die Rentabilität schlechter, in der Hoffnung, etwas viel Wichtigeres zu erreichen: Nachhaltigkeit in der Zukunft.
Es gibt einen Text in meinem Beitrag, der nicht korrekt ist. Sie stellen diese Position weiter dar.
Die allgemeine Regel lautet: Erhalte ein großartiges System in Bezug auf die Rentabilität und mache es dann in Bezug auf die Rentabilität schlechter, in der Hoffnung, etwas viel Wichtigeres zu erhalten: Nachhaltigkeit in der Zukunft.
Nun, mit zunehmender Stabilität steigt auch die Rentabilität, zumindest durch die Verringerung der Anzahl von Verlustgeschäften. Profitable Unternehmen sind weniger stark betroffen.
Wenn das nicht der Fall ist, dann stimmt etwas mit der Informativität der Prädiktoren nicht. In jedem Fall sollte das Gewinn/Verlust-Verhältnis nur mit zunehmender Komplexität steigen.
Die Stabilität nimmt zu, und damit auch die Rentabilität, zumindest durch die Verringerung der Anzahl der Verlustgeschäfte. Profitable Unternehmen sind weniger stark betroffen.
Wenn das nicht der Fall ist, dann stimmt etwas mit der Aussagekraft der Prädiktoren nicht. Auf jeden Fall muss das Verhältnis zwischen Gewinn und Verlust mit der Kompliziertheit wachsen.
Sie wissen es am besten, obwohl die ganze Welt genau das Gegenteil behauptet.
Die Stabilität steigt und damit auch die Rentabilität, zumindest durch die Verringerung der Anzahl der Verlustgeschäfte. Profitable Unternehmen sind weniger stark betroffen.
Wenn das nicht der Fall ist, dann stimmt etwas mit der Aussagekraft der Prädiktoren nicht. Mit zunehmender Komplexität muss das Gewinn/Verlust-Verhältnis auf jeden Fall steigen.
Faa schreibt den richtigen Gedanken, aber er drückt ihn falsch aus.
Sie haben eine Serie und eine Reihe von Prädiktoren. Sie unterteilen die Reihe in drei Teile - Training, Probe und Vorwärts (einfachster Fall).
Sie bauen z. B. 20 Modelle.
Der Punkt ist, dass die Auswahl eines Modells aus der Liste nicht durch das beste auf der Trainingsstichprobe und nicht durch das beste auf der Vorwärtsstichprobe durchgeführt wird. Es wird ein Modell ausgewählt, das sowohl im Training als auch in der Vorhersage die gleichen Qualitätswerte aufweist.
Sie wissen es besser, obwohl die ganze Welt genau das Gegenteil behauptet.
Das Wesentliche - die Auswahl eines Modells aus der Liste basiert nicht auf dem Kriterium des besten auf der Trainingsstichprobe und nicht auf dem Kriterium des besten auf dem Forward. Es wird ein Modell ausgewählt, das bei der Trainingsstichprobe und bei der Vorwärtsstichprobe nahezu die gleiche Qualität aufweist.
Daran gibt es keinen Zweifel. Gemeint war nur das tatsächliche Funktionieren oder Testen des Systems.
Eigentlich ist das nicht richtig.
Je komplexer das System wird, desto höher sollten Rentabilität und Stabilität sein. Mit anderen Worten: Je komplexer das System wird, desto besser sollten die Benutzereigenschaften sein.
Am Beispiel der Entwicklung der Hand:
1. Wir nehmen eine bloße Handelsidee und erstellen einen einfachen TS, der den Gewinn optimiert (Verluste können vollständig ignoriert werden).
2. die Einführung von Beschränkungen, die die Anzahl der Verlustgeschäfte minimieren. Natürlich wird ein Teil der zufällig profitablen Trades wegfallen und bei einem Teil der profitablen Trades wird der Gewinn sinken, aber auch die Drawdowns werden sinken, und als Ergebnis wird die Summe von Gewinn und Verlust steigen.
Eine weitere Verkomplizierung führt nur zu einer Gewinnsteigerung, zumindest durch die Verringerung der Anzahl der Verlustgeschäfte.
Wenn sich der Gewinn/Verlust-Betrag infolge der Komplikation nicht erhöht, müssen wir etwas falsch machen. Wir führen zum Beispiel ineffiziente Bedingungen ein.
Wie falsch, Sie erstellen ein Klassifizierungsmodell. Je größer die Stichprobe ist, desto stärker ist die Verallgemeinerung, das Modell wird im Allgemeinen stabiler und im Besonderen weniger genau, daher weniger Gewinn
Wenn Sie es an einer kleinen Stichprobe trainieren, kann es bei einer kurzen Stichprobe sehr genau sein, aber bei einer langen Stichprobe instabil.