Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 415
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
De acuerdo, ahora que estás en el punto, te diré una idea sobre la recogida de datos para su procesamiento. Es realmente difícil entrenar un modelo con un alto nivel de generalización en un área suficientemente grande, porque el mercado es un organismo vivo y bla, bla, bla. Cuanto más largo sea el periodo de entrenamiento, peor será el rendimiento del modelo, pero más largo. Objetivo: Realizar un modelo de larga duración. Dividir o método dos, sin embargo para aquellos que utilizan un comité de dos redes.
Tenemos tres estados "Sí", "No" y "No sé" cuando las cuadrículas se muestran en diferentes direcciones.
Entrenamos la red en toda la sección, en nuestro caso 452 entradas. La red aprendió este conjunto al 55-60%, asumiendo que las respuestas "No sé" en el conjunto de entrenamiento eran del 50%, por lo que 226 señales la red no podía aprender. Bien, ahora construimos un nuevo modelo SÓLO sobre los estados "No sé", es decir, intentamos construir el modelo sobre dichos cuasi estados que engañaron al primer modelo. El resultado es más o menos el mismo, de 226 sólo la mitad será reconocida, el resto obtendrá el estado "No sé", entonces construye el modelo de nuevo. el resultado es 113, luego 56, luego 28, luego 14. En 14 entradas no conocidas por ninguno de los modelos anteriores, el optimizador de Jprediction suele calcular hasta un 100% de generalizabilidad.
Como resultado tenemos un "Sistema de Patrones" que reconoce todo el mercado en un periodo de tres meses.
Aquí hay otra manera, además de "Contexto del Día" Cómo se puede romper el mercado en subespacios y realizar la formación por conseguir exactamente "Sistema de Patrones" Aquí hay un ejemplo....
Un enfoque interesante. Tendré que experimentar... ¿Se ha probado ya, al menos en la demo? Sería interesante ver la señal.
Todo esto está fuera de muestra desde las 05.29 en 15 minutos. Ya está en su tercera semana. Pero si no se gana más, en principio el planteamiento vale una miseria, pero creo...... :-)
En mi opinión, volver a formar a los NS una vez a la semana durante los fines de semana sería aceptable. Así que creo que es posible utilizar ... No es necesario establecer tareas para operar durante 3 semanas, 3 meses, un año en beneficio sin volver a entrenar. Y al volver a entrenar una vez a la semana, su NS siempre se ajustará a los últimos patrones del mercado.
Un enfoque interesante. Tendré que experimentar... ¿Ya lo has puesto en funcionamiento, al menos en demo? Sería interesante ver la señal.
En mi opinión, volver a formar a los NS una vez a la semana durante los fines de semana sería aceptable. Así que creo que podemos usarlo... No quiero que opere durante 3 semanas, 3 meses, un año en beneficio sin volver a entrenar. Y al reciclar una vez a la semana su NS siempre se ajustará a los últimos patrones del mercado.
Necesitas un EA robusto, yo hice uno para el probador, el último con muchas operaciones, es solo el trabajo de tres modelos.
He hecho algunos scripts que funcionan según el algoritmo del EA, los ejecutaré manualmente a la señal, y luego veremos...
De acuerdo, ahora que estás en el punto, te diré una idea sobre la recogida de datos para su procesamiento. Es realmente difícil entrenar un modelo con un alto nivel de generalización en un área suficientemente grande, porque el mercado es un organismo vivo y bla, bla, bla. Cuanto más largo sea el periodo de entrenamiento, peor será el rendimiento del modelo, pero más largo. Objetivo: Realizar un modelo de larga duración. Dividir o método dos, sin embargo para aquellos que utilizan un comité de dos redes.
Tenemos tres estados "Sí", "No" y "No sé" cuando las cuadrículas se muestran en diferentes direcciones.
Entrenamos la red en toda la sección, en nuestro caso 452 entradas. La red aprendió este conjunto al 55-60%, asumiendo que las respuestas "No sé" en el conjunto de entrenamiento eran del 50%, por lo que 226 señales la red no podía aprender. Bien, ahora construimos un nuevo modelo SÓLO sobre los estados "No sé", es decir, intentamos construir el modelo sobre dichos cuasi estados que engañaron al primer modelo. El resultado es más o menos el mismo, de 226 sólo la mitad será reconocida, el resto obtendrá el estado "No sé", entonces construye el modelo de nuevo. el resultado es 113, luego 56, luego 28, luego 14. En 14 entradas no conocidas por ninguno de los modelos anteriores, el optimizador de Jprediction suele calcular hasta un 100% de generalizabilidad.
Como resultado tenemos un "Sistema de Patrones" que reconoce todo el mercado en un periodo de tres meses.
Aquí hay otra manera además de "Contexto del Día" Cómo se puede romper el mercado en subespacios y producir la formación por conseguir exactamente un "Sistema de Patrones" Aquí hay un ejemplo....
------------------------------------------------------------
Este método se denomina " boosting".El boosting es un procedimiento de construcción secuencial de una composición de algoritmos de aprendizaje automático en el que cada algoritmo sucesivo intenta compensar las deficiencias de la composición de todos los algoritmos anteriores.El boosting es un algoritmo codicioso para construir una composición de algoritmos.
La aplicación reciente más famosa es XGBoost.
Buena suerte
Selección de predictores con LASSO
Sí, este algoritmo no necesita eliminar las variables altamente correlacionadas. Los maneja bien por sí mismo.
Sin embargo, lo usé hace mucho tiempo, cuando la regresión era interesante.
Buena suerte
Dr. Trader:
Sí, no tanto, con esos resultados, mejor adoptar el paradigma, "lo principal no es ganar, sino participar", de hecho perdí mi cuenta, probablemente no conscientemente, por vergüenza también, de nosotros como Mago dio esperanza, pero también se salió del camino, no pudo soportar la presión de la competencia. Tal vez valga la pena admitir que hay especialistas mucho mejores que nosotros (cientos, miles de veces...), que estudiaron en Harvard y que utilizan supercomputadoras.
Los especialistas son mucho mejores que nosotros (cientos, miles de veces...), han estudiado en Harvard y utilizan superordenadores.
no miles de veces... si miras el premio al primer puesto el campeón es sólo 1000 / 2.09 = 478.47 veces mejor que yo
no en miles... si miras el premio del primer puesto, el campeón es mejor que yo por sólo 1000 / 2,09 = 478,47 veces
Un pago en 478,47 veces, pero en el rendimiento acumulado hay tipos para $ 10000 que es más de 3000 veces mejor que tú, una esperanza para Wizard, pero creo que se avergüenza de discutir este tema desagradable.
Boring...... :-( Se entrena, se entrena, se eligen modelos, se trabaja por así decirlo. Pero, ¿qué se hace cuando la maqueta está construida y lo único que hay que hacer es trabajar en ella.......?
Boring...... :-( Se entrena, se entrena, se eligen modelos, se trabaja por así decirlo. Pero, ¿qué se hace cuando se construye una maqueta y lo único que hay que hacer es trabajar en ella.......?
Rara vez sucede, es mejor ir a algún lugar a descansar hasta que tu cerebro proteste y empiece a exigir escribir código, Tailandia, Indonesia, Maldivas por ejemplo.