Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3166
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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 bist einfach nur nervig, Guru! Ich weiß nicht, wie es mir geht, aber Sie schon - schauen Sie in Ihrem Markt!
Haben Sie außer schmerzhafter Wahrnehmung der Welt um Sie herum und heiligem Glauben an Pakete noch etwas übrig, oder ist das Sparschwein erschöpft? )
Jeden Tag lese ich von Paketen, von denen man keine Ahnung hat.
Oder ist es Murmeltiertag?es ist an der Zeit, dieses epische Unterfangen, Muster in zufälligen Daten zu finden, zu beenden.
Ja, genau.
oder es ist an der Zeit, mit der Trägheit aufzuhören und einen nüchternen Blick auf die Ergebnisse zu werfen.
Die Ergebnisse des Lernens durch das Korsett sind oft nicht schlecht
Von Jahr 10 bis 21 wurde ein Korsett mit einem Anteil von 30% gefunden (30% der zufälligen Geschichte von dieser Seite nahm am Lernen teil), die anderen Jahre im Allgemeinen reine OOS
Im Terminal sieht es so aus
Es gibt viele Methoden zur Bestimmung des Kernsatzes. Hier sind einige der gängigsten Methoden:
Es ist wichtig zu beachten, dass es keine universelle Methode zur Gewinnung eines Coresets gibt, das für alle Aufgaben des maschinellen Lernens geeignet ist. Die Wahl der Methode zur Gewinnung des Coresets hängt von der spezifischen Aufgabe und den verfügbaren Rechenressourcen ab.
*Bard
Die Ergebnisse des Lernens durch das Korsett sind oft nicht schlecht
Von Jahr 10 bis 21 wurde ein Korsett mit einem Anteil von 30% gefunden (30% der zufälligen Geschichte von dieser Seite nahm am Lernen teil), die restlichen Jahre in der Regel reine OOS
Im Terminal sieht es so aus
Nun, es gibt auch Perioden mit Drawdowns von sechs Monaten bis zu einem Jahr. Sind Sie dazu bereit? Vor allem, wenn der Drawdown sofort beim Start in real beginnt?
Nun, es gibt auch Perioden, in denen es zu Rückgängen von sechs Monaten bis zu einem Jahr kommt. Sind Sie dazu bereit? Vor allem, wenn der Drawdown sofort einsetzt, wenn Sie in real anfangen?
Normalerweise diversifizieren Sie.
Sie müssen nur ein Portfolio von Instrumenten erstellen, die den größten Erholungsfaktor schaffen werdenDiese Plots sind auch bei anderen Instrumenten rentabel. Und wenn der allgemeine Trend aller Instrumente derselbe ist wie der im Diagramm dargestellte, ist die Stabilität der Investition garantiert.
Nun, es gibt auch Perioden, in denen es zu Rückgängen von sechs Monaten bis zu einem Jahr kommt. Sind Sie dazu bereit? Vor allem, wenn der Rückschlag sofort einsetzt, wenn Sie in real anfangen?
Ich bin nicht bereit, auf 20 Jahre zu setzen :) dies ist eher eine Fallstudie.
Ich habe kein Problem mit 10 Jahren Ausbildung - 1 Jahr OOS, gut.
aber es gibt eine Menge Rauschen, manchmal wirft das Modell fast alle Stichproben als nutzlos weg, 3 Transaktionen bleiben übrig
Es gibt auch Teile der Geschichte, die nie normal vorhergesagt werden.
Alles in allem ist es keine sehr lohnende Tätigkeit.
Es ist, als würde man den alten Empfänger drehen und versehentlich auf eine Welle mit Rauschen treffen.
Wieder einmal bin ich davon überzeugt, dass man für Prognosen ein Modell braucht.
Das Modell entfernt das Unnötige (Rauschen) und lässt das Notwendige (Signal) übrig, wenn möglich verstärkt es das Notwendige (Signal), außerdem ist das Modell deterministischer, mehr Wiederholbarkeit in Mustern....
als Beispiel.
Hoch-Tief-Minutka-Preise.
Weiter bauen wir die einfachste Vereinfachung des Preises (erstellen Sie ein Modell).
dann entfernen wir den Überschuss (verbessern das Modell) mit Hilfe eines einfachen bekannten Algorithmus zur Dimensionalitätsreduktion, das Modell wird wiederholbarer.
und die letzte vielleicht dekorative Note.
Ich frage mich, wie das MO auf solche Daten trainiert wird?
Dies ist ein Testmuster.
Haben Sie solche Zahlen schon einmal gesehen?
Wie lautet der genaue Name? Oder ist er selbst gemacht?
Ich benutze seit vielen Jahren verschiedene "hölzerne" Modelle und habe so etwas noch nie gesehen.
Was meinen Sie mit "selbstgemacht"? Es gibt eine theoretische Rechtfertigung, einen guten Artikel. Es gibt ein Paket namens RLTv3.2.6. Es funktioniert gut. Du solltest auf die Version achten.
Über ONNX für Holzmodelle in Python. Siehe Paket skl2onnx.
Unterstützte scikit-learn Modelle. Der letzte unterstützte Satz von Optionen ist 15.
Viel Glück