Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1146
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
Du überschätzt mich.) Ich bin über eine Vorstellung nicht hinausgekommen.)
Wie sie selbst schreiben, handelt es sich um eine Art Unterklasse der Natur-(Umwelt-)Spiele. Ich bin mir sicher, dass fast alle unsere Modelle im Bereich des Naturspiels angesiedelt sind, aber ich weiß nicht, wie geeignet diese 'Banditen' sind.
Mir gefallen latente Markov-Prozesse besser. Dort kann die Nicht-Stationarität eine Folge der Tatsache sein, dass wir nicht alle Variablen beobachten. Grob gesagt, wird ein Prozess, der für uns nicht stationär ist, von einem Prozess abgeleitet, der stationär ist, aber nur dem Market Maker bekannt ist.
Ich kann Ihnen den Code schicken, aber ich bin mir nicht sicher, ob jemand ihn versteht und etwas Neues anbieten kann :)
Ich verstehe schon, Blödsinn ist Blödsinn))
Es geht hier nicht um Peeping, obwohl das unter bestimmten Bedingungen auch möglich ist, aber das OOS sollte so realitätsnah wie möglich sein, denn Sie wollen, dass sich das Ergebnis des OOS + - auf dem realen Markt wiederholt, und wenn Sie es auf der weiter zurückliegenden Vergangenheit testen, wird es nahe an der Vergangenheit sein, und der Markt kann sich in dieser Zeit mehr oder weniger verändert haben. Ihre Methode kann völlig ins Absurde führen, wenn Sie zum Beispiel OOS und Real jahrelang trennen)))
Sie selbst schreiben, dass dies absurd ist, weil sich der Markt sowohl in der Vergangenheit als auch in der Zukunft in Bezug auf die Lernenden verändern kann. Und je näher der Lernprozess an der Gegenwart ist, desto unwahrscheinlicher ist es, dass sich der Markt morgen ändert. Und ich schaue mir nur an, inwieweit der Algorithmus in der Lage ist, auf jedes OOS zu verallgemeinern.
Jemand hat Ihnen gerade gesagt, dass es so sein sollte, und Sie wissen nicht wirklich, warum, das sind nur Spekulationen.
es gibt absolut keinen Unterschied
die Fahne in der Hand, wird die reale Welt alles an seinen Platz setzen
Ich kann Ihnen den Code schicken, aber ich bin mir nicht sicher, ob ihn jemand verstehen und etwas Neues vorschlagen wird :)
Manchmal ist es schwer, den eigenen Code zu verstehen, an dem ich seit einem Monat nicht mehr gearbeitet habe).
Sie befinden sich in den Händen der realen Welt.
Mein Gott, wir reden hier von Gangstern.
Es geht hier nicht um "peeping", obwohl dies unter bestimmten Bedingungen auch der Fall sein kann, aber das OOS sollte so nah wie möglich an der Realität sein, denn Sie wollen, dass sich das Ergebnis des OOS + oder - auf der Realität wiederholt, aber wenn Sie es auf der weiter zurückliegenden Vergangenheit testen, wird es nah an der Vergangenheit sein, und der Markt kann sich in dieser Zeit mehr oder weniger verändern. Ihre Methode kann völlig ins Absurde führen, wenn Sie zum Beispiel OOS und Real jahrelang trennen)))
Sie selbst schreiben, dass dies absurd ist, weil sich der Markt sowohl in der Vergangenheit als auch in der Zukunft in Bezug auf die Lernenden verändern kann. Und je näher der Lernprozess an der Gegenwart ist, desto unwahrscheinlicher ist es, dass sich der Markt morgen ändert. Und ich schaue mir nur an, wie gut der Algorithmus in der Lage ist, auf jedes OOS zu verallgemeinern.
Im Allgemeinen besteht das Wesen des Algotrading darin, dass sich der Markt zumindest teilweise kontinuierlich verändert, es gibt eine Art "Trägheit" aufgrund der Verbreitung von Informationen. Was gestern war, ist heute wahrscheinlicher als vor einem Monat (Jahr). Wenn Sie die OOS-Daten so optimieren, dass sie dem realen Markt näher kommen, und dann einfach die OOS-Daten neu trainieren, wo liegt dann das Problem? Normalerweise macht das jeder so, erst in Lerne und Train aufteilen, mit Lerne lernen, mit Train prüfen und dann wieder mit Lerne trainieren + mit optimierter Parameterkonfiguration testen.
Natürlich werde ich nicht widersprechen und darauf bestehen, dass mein Kollege oben zu Recht sagte: "Das wirkliche Leben bringt alles an seinen Platz", Marktlektionen sind besser als Forumsdemagogie)).
Im Allgemeinen besteht das Wesen des Algotradings darin, dass sich der Markt aufgrund der Informationsverbreitung zumindest teilweise kontinuierlich verändert, d. h. eine Art Trägheit aufweist. Was gestern war, ist also heute wahrscheinlicher als vor einem Monat (Jahr). Sie optimieren sich selbst für OOS, um näher am realen Markt zu sein, und dann trainieren Sie einfach die OOS-Daten neu, wo ist das Problem? Normalerweise machen das alle so: erst in lurn und treyn aufteilen, mit lurn lernen, mit treyn prüfen und dann mit lurn + treyn in optimierter Konfiguration neu trainieren.
Welchen Unterschied macht es also, welche Seite OOS ist? ))
Vor allem, wenn man bedenkt, dass "lurn" und "trainee" das Gleiche sind (ich verstehe, was der Test meinte, aber die Hervorhebung negiert es nicht)
Welchen Unterschied macht es also, welche Seite die OOS ist? ))
Umso mehr, wenn man bedenkt, dass lern und trane ein und dasselbe sind (ich verstehe, was du meinst, Test, aber das Hervorgehobene negiert es nicht)
Tippfehler, danke, ich habe es korrigiert.
Makin: Optimieren Sie für etwas, das näher am wirklichen Leben ist, nicht für wer weiß was und wann!
Tippfehler, danke, korrigiert.
der Unterschied ist groß, OOS ist näher an der Realität, man muss für das optimieren, was näher an der Realität ist, und nicht für wer weiß was und wann
die Aufgabe besteht darin, dafür zu sorgen, dass die beiden Teile ununterscheidbar sind (dieselben Fehler usw.) In diesem Zusammenhang verliert die Definition dessen, was überhaupt wackelt, jede Bedeutung
Gott, was ist real, wir reden hier über Banditen
Was haben Sie also mit dem "Bandit-Algorithmus" in RDF umgesetzt?
Oder haben Sie etwas speziell für den "Bandit"-Algorithmus programmiert?