Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1545
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
Versuchen Sie, nicht das Zeichen des Anstiegs vorherzusagen, sondern zum Beispiel den Preis des nächsten Zickzackknies oder etwas Besseres. oder so ähnlich, sollten Sie Regression statt Klassifikation verwenden, aber Regression nicht einen Schritt voraus, sondern suchen Sie das Extremum. Ich denke, Sie werden angenehm überrascht sein.
Leider geschehen nie Wunder, aggregierte Variablen wie der Preis (Extremum usw.) werden überhaupt nicht vorhergesagt, jedenfalls nicht viel besser als mit einem Zauberstab (d. h. gar nicht), und relative Variablen (Preisabweichung vom Extremum) sind genauso schlecht wie Inkremente.
Leider geschehen keine Wunder, Aggregatvariablen wie der Preis (Extremum usw.) lassen sich überhaupt nicht vorhersagen, jedenfalls nicht besser als mit einem Zauberstab (d. h. nichts), und relative Variablen (Preisabweichung vom Extremum) schneiden ebenso schlecht ab wie Inkremente.
Ich sage Ihnen, das Extremum, das zum Beispiel in der nächsten Stunde das wichtigste sein wird, ist leichter vorherzusagen als der Wert einer nachlaufenden Kerze, oder die Farbe der Kerze, oder die Richtung eines Zickzackkurses, oder...
Zumindest gilt das für mich, und es gibt eine vernünftige Erklärung dafür.
python tester, liba - es gibt viele verschiedene davon
Was alles andere angeht - jetzt fahre ich mit anderen Parametern und die Begeisterung ist weg, der gleiche Overfit wie im Wald
Es ist nicht schwer zu erkennen, wo es eine Spur und wo es eine Prüfung gibt. Das heißt, es hat sich im Wesentlichen nichts geändert, die Katbust hat keinen Vorteil gebracht.
Ich werde lstm später ausprobieren.
Wenn Sie denken, dass Übertraining, dann aufhören, die Erzeugung von Bäumen früher, aber die Beurteilung der Zahl der Angebote gibt eher Untertraining ...
Was erhalten Sie für verschiedene Muster von Precision und Recall?
Haben Sie ein Beispiel in der Datei - es wäre interessant zu versuchen, die Trainingsdynamik mit meinen Daten zu vergleichen, und wenn ich ein gutes Modell habe, werde ich es Ihnen schicken.
Übrigens habe ich beschlossen, zu versuchen, Blätter aus CatBoost zu nehmen, ich weiß nicht, ob ich gute unter ihnen finden werde oder ob die Idee des Boostens selbst es nicht unterstützt, was denken Sie?
Ich sage Ihnen, das Extremum, das z.B. innerhalb der nächsten Stunde am signifikantesten sein wird, ist leichter vorherzusagen als der Wert einer nachlaufenden Kerze, oder die Farbe der Kerze, oder die Richtung eines Zick-Zack-Kurses oder...
Zumindest trifft das auf mich zu, und es gibt eine vernünftige Erklärung dafür.
Was bedeutet "das signifikanteste Extremum" - wie überprüft man später, ob es signifikant ist oder nicht?
Was ist eine vernünftige Erklärung für all dies - sehr interessant.
Wenn Sie denken, dass Sie übertrainiert sind, dann hören Sie früher auf, Bäume zu erzeugen, aber nach der Anzahl der Trades zu urteilen, ist es eher ein Untertraining...
Was erhalten Sie für verschiedene Muster von Precision und Recall?
Haben Sie ein Beispiel in der Datei - es wäre interessant, es auszuprobieren und die Trainingsdynamik mit meinen Daten zu vergleichen, wenn ich ein gutes Modell habe, werde ich es Ihnen schicken.
Übrigens habe ich beschlossen, zu versuchen, Baumblätter aus CatBoost zu ziehen - ich weiß nicht, ob ich gute unter ihnen finden werde, oder die Boosting-Ideologie selbst legt das nicht nahe, was meint ihr?
Überlernen im Sinne einer schwachen Generalisierung. Ich habe oben bereits geschrieben, wie man das Problem umgehen kann, aber es gibt sicher noch elegantere Ansätze.
kein Problem mit der Qualität des Zuges + Validierung.
Ich sehe, dass jeder versucht, das Netz mit Hilfe eines Lehrers zu trainieren.
Hat jemand versucht, auf eine Zielfunktion zu trainieren, z. B. den Erholungsfaktor?
, um die Baumblätter aus CatBoost herauszuholen - ich weiß nicht, ob es darunter gute Exemplare gibt, oder glauben Sie, dass die Ideologie des Boostings das nicht nahelegt?
Nein, das tut es nicht.
Der erste Baum in XGBoost ist ein grobes Modell. Alle anderen Bäume korrigieren den ersten mit einem mikroskopischen Koeffizienten. Einzeln kann man dort nichts bewirken, sie erzielen nur mit der ganzen Gruppe gute Ergebnisse.In catbust offenbar das gleiche Grundprinzip, mit seinen eigenen Besonderheiten.
Wie für alles andere - jetzt fahre ich mit anderen Parametern und die Begeisterung ist weg, der gleiche Overfit wie im Wald
Es ist leicht zu erkennen, wo die Strecke ist und wo der Test stattfindet. Das heißt, in der Tat, nichts hat sich geändert, katbust nicht geben Vorteile.
Es macht natürlich keinen Sinn, das System mit dem Set MQL + Python + Catbust zu verkomplizieren. Und ich werde mit dem Algibu-Wald nach Regelmäßigkeiten suchen.
Wenn es ein Muster gibt, soll der Wald es zu 90 % lernen, nicht zu 99 % wie bei einer Katzenplage. Die Hauptsache ist, sie zu finden und dann den Prozentsätzen nachzujagen. Im Moment liegen beide bei etwa 50 %.
Es scheint, dass mit diesen Wäldern alle in die Wildnis gegangen sind,
und es ist unmöglich, dort ohne Hilfe herauszukommen ))))
Offensichtlich macht es keinen Sinn, das System mit MQL + Python + Catbust zu verkomplizieren. Und um nach Regelmäßigkeiten mit dem Algiba-Wald zu suchen.
Wenn es eine Beziehung gibt, sollte man sich zu 90 % vom Wald unterrichten lassen und nicht zu 99 % wie der Catbust. Die Hauptsache ist, sie zu finden und dann den Prozentsätzen nachzujagen. Zurzeit erreichen wir in beiden Fällen etwa 50 %.
Wenn man nichts hat, womit man es vergleichen kann, wird man nie etwas verstehen.