Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 956
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
Ein weiteres nützliches Buch zu diesem Thema
Viel Glück!
Weder in der Demo noch in der Realität hat es bisher für jemanden funktioniert
Unterm Strich ist das alles nur Spielzeug, Spaß und Spiel...
Weder in der Demo noch in der Realität hat es bisher für jemanden funktioniert
Das Ergebnis: Es geht um Spielzeug, Unterhaltung und Spaß...
Napoleons Sohn erhielt zum Geburtstag eine Aluminiumrassel. Das Aluminium war für nichts anderes gut.)
JUHUUUUUUUUU!
Etwas in beide Richtungen nutzte den Wald. Im Training werden alle Klassen erraten, in den Testdaten etwas weniger, in den Testdaten fallen etwas mehr als 50% in die gesuchte Klasse und die negativen Klassendaten fallen ebenfalls dorthin (in Höhe von etwa 50% der gesuchten).
Nun, es gibt bestenfalls ein paar Beispiele und etwas weniger von der negativen Klasse in der Suchklasse.
Ich bezweifle, dass die Daten überhaupt aufgespalten werden können, zumindest um einen kleinen Betrag, der einen bedeutenden Einfluss auf den Handel haben wird.
Oder ist es nicht so?
Zwischenergebnisse der Baumversuche
Dieser Bericht ist für 2017 - die Eingaben werden nach TK-Bedingungen generiert, ohne Filter, aber mit Positionsunterstützung
Alles dasselbe, aber die Eingabe wird durch den Baum generiert, der für 2015 und 2016 trainiert wurde.
Und das ist das Eingangssignal von ATS mit Filtern
Und dies ist die Eingabe von Tree mit denselben Filtern
Ja, die Filter wurden für 2016-2017 optimiert, also ist es fast ein Fehler, aber warum der Baum sie nicht ausrichten kann, ist ein Rätsel. Andererseits können wir sehen, dass dort, wo die Filter die Eingaben aussortiert haben, der Baum hineingekommen ist und umgekehrt, was ebenso interessant ist. Interessant ist auch, dass der Baum bei der Entscheidung für eine Verzweigung nicht das genaue finanzielle Ergebnis berücksichtigt, während die Optimierung der Historie auf die finanziellen Indikatoren ausgerichtet ist.
JUHUUUUUUUUU!
Etwas in beide Richtungen nutzte den Wald. Im Training werden alle Klassen erraten, in den Testdaten etwas weniger, in den Testdaten fallen etwas mehr als 50% in die gesuchte Klasse und die negativen Klassendaten fallen ebenfalls dorthin (in Höhe von etwa 50% der gesuchten).
Nun, es gibt bestenfalls ein paar Beispiele und etwas weniger von der negativen Klasse in der Suchklasse.
Ich bezweifle, dass die Daten überhaupt aufgespalten werden können, zumindest um einen kleinen Betrag, der einen bedeutenden Einfluss auf den Handel haben wird.
Oder ist es nicht so?
Der Wald ist eine Müllhalde in Afrika, wenn man ihn mit Müll übersät, und Sie haben den konkretesten Beweis dafür geliefert, dass Sie überhaupt KEINE Prädiktoren haben, die für die Zielvariable relevant sind.
Ein Wald ist eine Mülldeponie, wenn man ihn mit Müll füllt, und Sie haben den konkretesten Beweis dafür geliefert, dass Sie überhaupt KEINE Prädiktoren haben, die für die Zielvariable relevant sind.
Müssen sie durch das Ziel geteilt werden? :DDDD
Zeigen Sie mir ein Test- und Kurvendiagramm, in dem der Zusammenhang deutlich wird.
ich weiß nicht, warum er es mir nicht gezeigt hat... so wie fxsaber mich kürzlich verbannt hat... zumindest weiß er, wovon er spricht... er hat sicherlich nicht über die Suche nach Prädiktoren durch den Wald und andere Pakete geschrieben, weil das Verhältnis nicht auf dem Markt mit solchen Methoden gefunden werden kann
Ein Wald ist eine Müllhalde, wenn man ihn mit Müll füllt, und Sie haben den konkretesten Beweis dafür geliefert, dass Sie überhaupt KEINE Prädiktoren haben, die für die Zielvariable relevant sind.
Hier ist es. Viele Beispiele zeigen, wenn train=>validation. Und Sie brauchen train=>validation=>test(Testdaten, die der Algorithmus überhaupt nicht sieht, sondern nur anhand des trainierten Modells vorhersagt, auf train, validation)
Die Beispiele, in denen Zugergebnisse gezeigt werden und dann die Validierung erfolgt, sagen also nichts aus. Ich kenne viele Beispiele, bei denen man mit der Validierung 95 % des Ziels erreicht.
Und sie verwenden die Gegenprobe zu K-10. Trotzdem kommt es bei mir zu Übertraining.
Ich habe viele Beispiele, bei denen ich 95 % meiner Ziele erraten kann.
gefunden, gefunden, wo ich geschrieben habe:
M. Gunter. Axiome eines Aktienspekulanten:
Hilfsaxiom #5. Hüten Sie sich vor der Falle der historischen Parallelen.
Hilfsaxiom #6. Hüten Sie sich vor der Illusion, dass sich die Zahlen wiederholen.
Hilfsaxiom Nr. 7. Hüten Sie sich vor der Illusion, dass es eine Korrelation und eine Kausalität gibt.
hmm, keine schlechte Übereinstimmung mit Gunther? ))))
gefunden, gefunden, wo ich geschrieben habe:
hmmm, keine schlechte Übereinstimmung mit Gunther? ))))
Das weiß ich schon seit langem. Ich glaube, ich habe es in der dritten Klasse durchgemacht. Nicht überrascht))))