Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3183
![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
Auf genau dieselbe Weise erhalte ich durch denselben Algorithmus sowohl funktionierende als auch nicht funktionierende OOS-Modelle. Das Symbol ist dasselbe, es wurde keine neue Randomisierung hinzugefügt. Es werden lediglich zufällig entweder langlaufende Muster oder lokale Muster gefunden. Denn das Training auf einer zufälligen Teilstichprobe (40 % innerhalb des ausgewählten Bereichs), und immer noch stehen andere Randomisierer auf der Suche nach Mustern durch Randomisierung, die Randomisierung jagt.
Erstens.
Ich verstehe diese Aussage nicht. Was ist mit den beiden folgenden Optionen gemeint?
Der Zufallsalgorithmus sieht folgendermaßen aus:
Ja, die hervorgehobenen
Sie müssen viele Male, viele Zeichen ausführen. Ich habe oben ein Beispiel für meinen Übersampler gezeigt. Es ist nur zufällig zieht Proben für die Ausbildung aus der gleichen Zeile und die Ergebnisse sind immer anders auf OOS.
Genau die gleichen scharfen Einbrüche auf OOS.Scheiße, ich weiß nicht, wie ich es in einfachen Worten ausdrücken soll.
Ihre Aussage.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading
mytarmailS, 2023.08.16 13:23
Stellen Sie sich vor, Sie haben nur 1000 Varianten von TS, im Allgemeinen.
Ihre Schritte 1 und 2
1) Sie beginnen mit der Optimierung/Suche nach einem guten TS, das sind Trainingsdaten (Anpassung/Suche/Optimierung).
Nehmen wir an, Sie haben 300 Varianten gefunden, bei denen der TS Geld einbringt...
2) Nun suchen Sie unter diesen 300 Varianten einen TK, der OOS-Testdaten bestehen wird. Sie haben sagen wir 10 TK gefunden, die sowohl in der Ausbildung als auch im Test Geld verdienen ( OOS ).
Was ist nun Punkt 2?
Es ist die gleiche Fortsetzung der Anpassung, nur dass Ihre Suche(Anpassung/Suche/Optimierung) etwas tiefer oder komplexer geworden ist, weil Sie jetzt nicht mehr nur eine Optimierungsbedingung haben (um den Handel zu bestehen), sondern zwei (um den Test zu bestehen + um den Handel zu bestehen).
Stellen wir uns vor, dass es eine Million Mal mehr Varianten gibt: 1 Milliarde TK, 300 Millionen TK-Varianten werden gefunden, bei denen die trainierte Stichprobe Geld bringt - das ist p.1.
In p.1. wird die Optimierung auf eine Fitnessfunktion durchgeführt. Je höher der Wert, desto höher wird die Fitness angenommen. Bei der Optimierung geht es also darum, das globale Maximum zu finden. All dies ist p.1.
Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien.
Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algorithmenhandel
fxsaber, 2023.08.19 01:32 Uhr
Glauben Sie, dass Sie dem Modell train_optim + test_forward mehr vertrauen sollten als (train+test)_optim?
D.h. es ist ein Fit in seiner reinsten Form.
Wenn Sie Letzteres tun, ist es jedoch kein Fit.
Auf genau dieselbe Weise erhalte ich durch denselben Algorithmus sowohl funktionierende als auch nicht funktionierende OOS-Modelle. Das Symbol ist das gleiche, es wurde keine neue Randomisierung hinzugefügt.
Ich habe nicht mit demselben Symbol trainiert. Offensichtlich gibt es Serien mit beliebigen Merkmalen in der Randomisierungswolke.
Die Vorderseite ist schlechter und die Rückseite ist besser. Und die umgekehrten Situationen sind genau die gleichen. Ich habe im Moment nur noch nicht viel umgebaut.
Ihre Behauptung.
Stellen wir uns vor, dass es insgesamt eine Million Mal mehr Varianten gibt: 1 Milliarde TK, 300 Millionen TK-Varianten werden gefunden, wobei auf der trainierten Stichprobe Geld verdient wird - das ist Punkt 1.
In Punkt 1. wird die Optimierung auf eine Fitnessfunktion durchgeführt. Je höher der Wert, desto höher wird die Fitness angenommen. Bei der Optimierung geht es also darum, das globale Maximum zu finden. All dies ist Punkt 1.
Es ist also eine reine Anpassung.
Bei der zweiten Variante handelt es sich nicht um eine Anpassung.
Ich hab's. Ich entschuldige mich.
Ich habe eine Ausbildung für mehr als ein Merkmal absolviert. In der Randomisierungswolke gibt es natürlich Zeilen mit jedem Merkmal.
Nun, ich sehe kein Problem. Alle diese TS sind randomisiert, weil sie auf einem nicht-stationären Markt handeln. Aber einige Varianten können in gewisser Hinsicht Gewinn bringen.
Ja, die hervorgehobenen
Sie müssen viele Male, viele Zeichen laufen.
Ich habe oben ein Beispiel für meinen Übersampler gezeigt. Es zieht nur zufällig Proben für die Ausbildung aus der gleichen Zeile und die Ergebnisse sind immer anders auf OOS.
Auf dem realen Symbol habe ich einen solchen Effekt nicht. Ich wähle beliebige 40% des Optimierungsintervalls und danach sind die Ergebnisse bei OOS sehr ähnlich.
Das ist das Symbol, das ich für die Randomisierung ausgewählt und dessen Trainingskurven ich erstellt habe.
Genau die gleichen starken Einbrüche auf der OOS.
Ich sehe sie nicht immer.
Auf dem realen Symbol kann ich einen solchen Effekt nicht beobachten. Ich wähle beliebige 40% des Optimierungsintervalls und danach sind die Ergebnisse bei OOS sehr ähnlich.
Dies ist das Symbol, das ich für die Randomisierung ausgewählt und dessen Trainingsgraphen gegeben habe.
Ich sehe sie nicht immer.
Dennoch bedeutet, dass es mehr Alpha in den Ticks gibt. Ich habe einen Weg gefunden, sie schnell zu durchsuchen (durch MO wäre es sehr langwierig gewesen). Ich werde die Ergebnisse später ausrollen, wenn ich fertig bin.