Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 81
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
hay un ser :)
)))
¿Por casualidad estás operando en wealthlab?
)))
¿Opera en wealthlab?
4) si se hace validación cruzada en el entrenamiento, repetirlo varias veces con los mismos datos, ver cuánta variación hay en los resultados, elegir modelos y predictores con poca variación
Esto es lo que se me ocurre ahora, pero no es el límite de los posibles problemas.
Te sorprenderás y seguro que no estás de acuerdo conmigo :) ), pero no creo que la crosvalidación sea efectiva en el mercado, al menos en su uso clásico
Te sorprenderá y seguro que no estás de acuerdo conmigo (y no sólo tú :) ) pero no creo que la validación cruzada sea efectiva cuando se aplica al mercado, al menos en su aplicación clásica
Te sorprenderá y seguro que no estás de acuerdo conmigo (y no sólo tú :) ) pero no creo que la validación cruzada sea efectiva cuando se aplica al mercado, al menos en su aplicación clásica
¿Por qué tan pocos árboles?
Tengo que cuantos más árboles menos intercambios hace el sistema y su calidad no aumenta en absoluto
por ejemplo, si mi modelo hace 500 tratos con el parámetro 10/5 y luego con el parámetro 5/200 (5 divisiones, 200 árboles) hace un trato o ningún trato, entonces la generalización baja y el modelo está buscando situaciones muy claras que ya ocurrieron pero que nunca ocurrirán en el futuro
Empecemos por lo que usted entiende por validación cruzada. ¿Puede decirlo?
Estoy seguro de que es lo mismo que tú
Dividimos la parcela en 5 partes, entrenamos 4 de ellas, comprobamos la 5ª parte y recorremos todas las variantes con parcelas para que la comprobación fuera de la muestra tenga lugar en las 5 partes de la muestra y calculamos el error medio
Eso parece ser si no he olvidado
Tengo que cuantos más árboles menos intercambios hace el sistema y su calidad no aumenta en absoluto
por ejemplo, si mi modelo hace 500 tratos con el parámetro 10/5 y luego con el parámetro 5/200 (5 divisiones, 200 árboles) hace un trato o ningún trato, entonces la generalización baja y el modelo está buscando situaciones muy claras que una vez sucedieron pero que nunca sucederán en el futuro
Estoy seguro de que es lo mismo que tú
Dividimos la parcela en 5 partes, entrenamos 4 de ellas, comprobamos la 5ª parte y recorremos todas las variantes con segmentos para que la comprobación fuera de la muestra tenga lugar en las 5 partes de la misma y calculamos el error medio
Eso parece ser, si no lo he olvidado.
Sí. ¿Para qué lo necesitas? Encontrar los parámetros óptimos de aprendizaje.
¿Qué le disgusta de este enfoque? ¿Cómo va a seleccionar los parámetros?
Una idea interesante. ¿Así que resulta que por el número de árboles estás luchando contra el sobreentrenamiento?
no realmente...
Lo que escribo sólo es aplicable a mi enfoque.
Ya sabes cómo hago mi objetivo, es la inversión
tengo tres clases de inversión "arriba", "abajo" y "sin inversión" ( 1 , -1 , 0)
También sabes que la asimetría de las clases es enorme, la clase "0" es decenas de veces mayor que "-1" y "1"
y esto significa que el modelo se entrena mejor en la clase "0" porque tiene la mayor cantidad de observaciones y mientras se entrena el modelo, cuantos más árboles se entrenan más clase "0" y a medida que la clase "0" se hace mejor y más fuerte comienza a (absorber - exprimir) las clases "1" , "-1" Por eso, cuantos más árboles menos tratos