Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1139
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
Sí, el error es sin duda digno de ser denunciado, ¿le importa que utilice su informe como ejemplo?
El ajuste está por todas partes, se mire como se mire, la cuestión es cómo reducirlo a un nivel aceptable.
Por supuesto que puedes usarlo, ¡no hay nada de valor en este informe!
Sobre el ajuste, aquí ya pienso qué hacer con él, por un lado usar un número limitado de combinaciones obtenidas sobre el historial en forma de hojas debería reducir el efecto del ajuste, pero por otro lado veo que el 60% de las hojas que funcionan en la muestra de entrenamiento dejan de funcionar en la muestra de prueba. La cuestión es entender cómo ha cambiado la historia, qué ha pasado exactamente, que lo que funcionaba ha dejado de funcionar.
Un gran número de predictores es como un gran número de estrellas en el cielo, y debido a su agrupación pueden surgir un montón de constelaciones diferentes que no se pueden ver desde los planetas de otros sistemas solares, y el número de combinaciones supera el número de entradas en el mercado - por eso hay un ajuste.
Por supuesto que puedes usarlo, ¡no hay nada de valor en este informe!
Por un lado, utilizar un número limitado de combinaciones obtenidas del historial en forma de hojas debería reducir el efecto del ajuste, pero por otro lado, veo que el 60% de las hojas que funcionan en la muestra de entrenamiento dejan de funcionar en la muestra de prueba. La cuestión es entender cómo ha cambiado la historia, qué ha pasado exactamente, que lo que funcionaba ha dejado de funcionar.
El gran número de predictores es como un gran número de estrellas en el cielo - y debido a su agrupación podemos inventar un montón de constelaciones diferentes que no se pueden ver desde los planetas de otros sistemas solares, y el número de combinaciones supera el número de entradas en el mercado - eso es lo que provoca el ajuste.
El ajuste en la formación siempre ha existido y existirá, digan lo que digan, pero hay que hacerlo con alta calidad, y entonces habrá más bajas laborales.
En sentido figurado, se puede comparar el comercio en la formación y el salto de un trampolín que aceleraría y volaría inercialmente a través del OOS.
Sin embargo, si el gráfico de la equidad de esta muestra aparece curvado y lleno de baches, no cuente con dar un buen salto).
Por un lado, utilizar un número limitado de combinaciones obtenidas en el historial en forma de hojas debería reducir el efecto del ajuste, pero por otro lado, veo que el 60% de las hojas que funcionan en la muestra de entrenamiento dejan de funcionar en la muestra de prueba. La cuestión es entender cómo ha cambiado la historia, qué ha pasado exactamente, que lo que funcionaba ha dejado de funcionar.
El gran número de predictores es como un gran número de estrellas en el cielo, y debido a su agrupación se pueden formar un montón de constelaciones diferentes que no se pueden ver desde los planetas de otros sistemas solares, y el número de combinaciones supera el número de entradas en el mercado - por eso hay un ajuste.
Es una pregunta del billón de dólares IMHO cualquier inducción es un ajuste, MO es sólo la estadística, la teoría fuera de control, la estadística de la ingeniería, que no desdeña la heurística y muletas, y la estadística es uno u otro promedios, promedios, promedios de las desviaciones de los promedios, etc, Bueno, todos recordamos la parábola del "pollo Russell", el dueño alimentará al pollo un par de cientos de veces (un número estadísticamente significativo), pero sólo a propósito, para que lo sacrifique una vez ((( Quizás, Doll haga lo mismo.
Una pregunta para la reflexión:
Hay muchas estrategias que se ajustan a la historia, y hay muchas estrategias que dan buenos resultados en los datos nuevos. ¿En qué se diferencian estos dos conjuntos de estrategias cuando los ejecutas en el historial?
Una pregunta para la reflexión:
Hay muchas estrategias que se ajustan a la historia, y hay muchas estrategias que dan buenos resultados en los datos nuevos. ¿En qué se diferencian estos dos conjuntos de estrategias cuando los ejecutamos en la historia?
Nada. Ambas clases de estrategias se ajustan al historial.
Tal vez los propósitos y los medios de dicho ajuste sean diferentes, pero nosotros, al no ser los autores, no podemos averiguarlo).
Una pregunta para la reflexión:
Hay muchas estrategias que se ajustan a la historia, y hay muchas estrategias que dan buenos resultados en los datos nuevos. ¿En qué se diferencian estos dos conjuntos de estrategias cuando los ejecutas en el historial?
))))))))))))))))))))))))))))))))))))))).............
))))))))))))))))))))))))))))))))))))))).............
Una pregunta para la reflexión:
Hay muchas estrategias que se ajustan a la historia, y hay muchas estrategias que dan buenos resultados en los datos nuevos. ¿En qué se diferencian estos dos conjuntos de estrategias cuando los ejecutas en el historial?
La pregunta es válida.
Siempre que enseñemos al modelo UNA SOLA COSA, en el entrenamiento y el control, la curva de error será algo así
El sobreentrenamiento es cuando comienza la divergencia (en la 19ª n de la imagen) de ahí la respuesta a tu pregunta, el modelo sobreajustado será MUCHO mejor en la historia que el de control. Idealmente, el gráfico de la equidad en el historial y el control (OOS) debería ser indistinguible. Por lo tanto, el "gurú" local está diciendo acerca de "trampolín igual", es viceversa, no se puede ver donde la historia es más y donde el cheque comenzó.
Señores expertos en MO.
¿Quién puede compartir un enlace sobre cómo crear una neurona de aprendizaje para graficar una función?
La pregunta es correcta.
Suponiendo que enseñamos el modelo a la UNA y lo mismo, en el entrenamiento y en el control, la curva de error será aproximadamente esta
El sobreentrenamiento es cuando comienza la divergencia (en torno al 19º n en la imagen) de ahí la respuesta a tu pregunta, el modelo sobreentrenado será ALTAMENTE MEJOR en la historia que el de control. Idealmente, el gráfico de la equidad en el historial y el control (OOS) debería ser indistinguible. Es decir, las afirmaciones de los "gurús" locales sobre el "trampolín de nivel" - pura tontería, exactamente lo contrario, no debería ser visible donde terminó la historia y donde comenzó el control.
Equilibrando 2 selecciones, eso es todo. No salvará del fracaso en el 3er, sin embargo el enfoque es correcto