Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3348
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
Nein, damit gibt es kein Problem. Es spielt keine Rolle, wie hoch die Gewinnspanne ist. Was zählt, ist der Klassifikationsfehler. Er wächst, wenn man die Streuung zum Training hinzufügt, oder er bleibt gleich.
Aber das Modell arbeitet nicht besser, wenn der Spread im Aufschlag berücksichtigt wird, es bringt keinen Gewinn, aber ohne den Spread arbeitet es genauso, als wäre es ohne ihn trainiert worden. Deshalb habe ich den Spread bedingt in den Klassifikationsfehler einbezogen. Das heißt, die Reaktion des Modells erlaubt es Ihnen nicht, es zu schlagen.
Die Berücksichtigung des Spreads im Aufschlag bedeutet, dass die Länge der Geschäfte, die ihn überschreiten, größer ist. Das heißt, ich mache längere Trades, trainiere sie dann und das Ergebnis des Tests mit dem erhöhten Spread ist fast das gleiche wie das Ergebnis eines anderen Modells, das mit kürzeren Trades trainiert wurde.
Daraus ergibt sich die ziemlich eindeutige Schlussfolgerung, dass MO bei meinen Zeichen, sagen wir mal, den Spread nicht schlagen kann.
Aber manchmal kann es, mit bestimmten Machenschaften im Zusammenhang mit kozul. Das heißt, wenn es einige stat. Indikator der abgeleiteten "Zuverlässigkeit" von Signalen, dann arbeiten sie auch, wenn der Spread erhöht.
Es ist egal,wofür der Gewinn berechnet wird,was zählt, ist derKlassifizierungsfehler.
Aufgrund dieses Ansatzes klassifizieren Sie potenzielle Verlustgeschäfte "richtig". In Wirklichkeit ist die Situation nicht nur wegen des Spreads viel schlimmer. In einem echten EA von der "richtigen" Klassifizierung zu einem profitablen System zu gelangen, bleibt ein Problem, wie es nicht überraschend ist.
Eskommt nicht darauf an, wie hoch die Gewinnspanne ist, sonderndarauf, wie hoch der Klassifizierungsfehler hinterher ist.
Aufgrund dieses Ansatzes klassifizieren Sie potenziell verlustbringende Geschäfte "richtig". In Wirklichkeit ist die Situation nicht nur wegen des Spreads viel schlimmer. In einem echten EA bleibt es ein Problem, von einer "korrekten" Klassifizierung zu einem profitablen System zu gelangen, wie es nicht überraschend ist.
Zuerst wird der Aufschlag so profitabel wie möglich gemacht. Dann werden "verlässliche" Beispiele neu gesampelt und anhand von Modellfehlern gefiltert, der Rest wird als Müll markiert. Denn es ist klar, dass es nie einen so idealen Handel wie mit dem anfänglichen Gralsaufschlag geben wird (ohne Spread ist er fast ein Gral). Die Rentabilität sinkt auf ein gewisses Niveau, die Stabilität bei neuen Daten wächst. Es wird ein Gleichgewicht zwischen diesem und jenem gewählt.
Es erscheint logisch und nicht so vage, wie andere ihre TS begründen.
Die einfachste Variante zum Verständnis habe ich in dem Artikel beschrieben, Sie können sie selbst überprüfen, der Kern des Algorithmus ist einfach.
Zunächst wird der Aufschlag so profitabel wie möglich gestaltet. Dann werden "verlässliche" Beispiele auf der Basis von Modellfehlern resampled und gefiltert, der Rest wird als Müll markiert. Denn es ist klar, dass es nie einen so idealen Handel geben wird wie mit dem ursprünglichen Gral-Layout (ohne Spread wird es fast ein Gral sein). Die Rentabilität sinkt auf ein gewisses Niveau, die Stabilität bei neuen Daten wächst. Es wird ein Gleichgewicht zwischen beidem gewählt.
Es erscheint logisch und nicht so vage, wie andere ihre TS begründen.
Die am einfachsten zu verstehende Variante ist in dem Artikel beschrieben, Sie können sie selbst überprüfen, der Kern des Algorithmus ist einfach.
Ich habe einen kurzen Blick in den Artikel geworfen.
Ich habe von Anfang an eine bestimmte Grundprämisse herausgegriffen, auf der alles andere aufbaut:
Wenn wir das Modell viele Male auf zufälligen Teilstichproben trainieren und dann die Qualität der Vorhersage auf jeder Teilstichprobe testen und alle Fehler summieren, erhalten wir ein relativ zuverlässiges Bild von den Fällen, in denen es tatsächlich oft falsch liegt, und den Fällen, in denen es oft rät.
Da bin ich völlig anderer Meinung.
Eine Kreuzvalidierung kann per Definition die Qualität des Modells nicht verbessern. Die Kreuzvalidierung ermöglicht es Ihnen, einen valideren Fehlerwert auf Kosten einer Reihe von Statistiken zu berechnen. Der daraus resultierende Klassifizierungsfehler kann mit der Vorhersage in der externen Datei zu tun haben oder auch nicht.
Die Qualität der Vorhersage durch ein Modell wird durch die Menge der Prädiktoren für eine bestimmte Menge von Kennzeichnungen bestimmt und hat nichts mit dem Modell zu tun. Vor der Modellierung muss die Frage beantwortet werden: Passen die Prädiktoren und ihre Kennzeichnungen zusammen? Es ist unmöglich, diese Frage mit Hilfe eines Modells zu beantworten, und das versuchen Sie gerade.
Es ist unmöglich, diese Frage mit einem Modell zu beantworten, und das versuchen Sie ja gerade zu tun.
Womit wollen Sie sie beantworten?
und womit wollen Sie antworten?
Altes Thema und schon oft geschrieben.
Ein altes Thema, über das schon viele Male geschrieben wurde.
Unterstützung bei der Ansicht, Lackierung, Abonnement des Entwicklers des Pakets R rusquant
Das ist das Gleiche
In Ihrem Artikel gibt es keine Grafik für den "Vorwärts"-Modus des Testers, nach der man das Modell wirklich beurteilen kann.
Übrigens, Sie verwenden mashki, egal, was der Unterschied mit dem Preis, und Sie sollten vorsichtig sein, mit ihnen, weil unter bestimmten Bedingungen der Prüfung von Modellen durch Ihre eigenen Tester, wie es nicht lustig ist und widerspricht der gesamten TA, mashki Blick nach vorn. Mit dem "Forward"-Modus, wenn es vorausschauend ist, erhalten Sie eine große Diskrepanz in den Ergebnissen zwischen der Vorwärts-und die wichtigsten Plot.
rusquant
Auf der Website steht, dass dieInteraktion mit API Tinkoff, Finam und Alor unterstützt wird. Hat sich jemand damit beschäftigt?