Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3275
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
Aus irgendeinem Grund halten Sie Ihr Hobby für das faszinierendste.
Da haben Sie recht.
Jedem das Seine.
Aber ich interessiere mich auch für MICH.
Aber warum sollte ich auf die gleiche Harke treten?
Ich werde das positive Ergebnis der Forschung hier spüren, und ich schließe mich gerne den etablierten Experten auf diesem Gebiet an.
Aber die Denkfehler sind mit bloßem Auge sichtbar.
und ich möchte wirklich, dass Sie in die richtige Richtung gehen, um in kurzer Zeit das erwartete Ergebnis zu erzielen.
über die ansables von strategien
https://buildalpha.wordpress.com/2018/11/20/buildalpha-ensemble-strategies-reduce-overfitting-by-combining-strategies/
----------------------------------------
Alles, was man also braucht, ist eine Metrik der Strategieumschulung, um zu wissen, ob eine Strategie bei neuen Daten funktioniert oder nicht, alles andere ist lösbar....
----------------------------------------
Es gibt eine Idee, mehrere Ansätze zur Erkennung von Übertraining zu verwenden, meiner basiert auf auto.arima, Prado "PBO". etwas anderes ist möglich, werfen in als Prädiktoren und lehren AMO, um die Wahrscheinlichkeit von Übertraining vorherzusagen und machen es eine Metrik.
Alternativ.
Strategieumschulungsmetrik, um zu wissen, ob eine Strategie bei neuen Daten funktionieren wird oder nicht.
eine andere Variante des Wortes "Gral" ? :-) "um zu wissen, ob sie in Zukunft funktionieren wird"
eine andere Variante des Wortes "Gral" ? :-) "um zu wissen, ob es in Zukunft funktionieren wird"
Ich bin nicht präzise, wir brauchen eine ehrliche Wahrscheinlichkeit zum Beispiel - wird auf neue Daten mit 69% Wahrscheinlichkeit funktionieren.
über p-hacking und Strategien
https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/
Wenn Sie gestatten, möchte ich einen Beitrag zu einem so interessanten und wichtigen Thema leisten.
Maschinelles Lernen, ML, ist eine Klasse von Methoden der künstlichen Intelligenz, deren charakteristisches Merkmal nicht die direkte Lösung eines Problems ist, sondern das Lernen durch Anwendung von Lösungen auf eine Reihe ähnlicher Probleme. Um solche Methoden zu entwickeln, werden Werkzeuge der mathematischen Statistik, numerische Methoden, mathematische Analysen, Optimierungsmethoden, Wahrscheinlichkeitstheorie, Graphentheorie und verschiedene Techniken für die Arbeit mit Daten in digitaler Form verwendet.
P.Z..
P.Z..
das Wichtigste ist hier, nicht zu viele Wörter zu schreiben, schon so müde von der Suche, dass 1-2 Sätze nicht gelesen werden
über p-hacking und Strategien
https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/
Die Optimierung oder das Lernen von Strategien sollte also in etwa so aussehen:
wobei die mittlere Punktzahl das Analogon des Ergebnisses der Kreuzvalidierung ist
Die Optimierung einer Strategie oder eines Trainings sollte also in etwa so aussehen:
wobei die mittlere Punktzahl das Analogon zum Ergebnis der Kreuzvalidierung ist