Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1146
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
Me sobrestimas) no he avanzado más allá de las presentaciones).
Como ellos mismos escriben, es una especie de subclase de juegos de naturaleza (medio ambiente). Estoy seguro de que casi todos nuestros modelos están dentro del juego de la naturaleza, pero no sé hasta qué punto son adecuados estos "bandidos".
Me gustan más los procesos de Markov latentes. En este caso, la no estacionariedad puede ser una consecuencia del hecho de que no estamos observando todas las variables. A grandes rasgos, un proceso que no es estacionario para nosotros se derivará de un proceso que es estacionario pero que sólo conoce el creador de mercado.
Puedo enviar el código, pero no estoy seguro de que alguien lo entienda y ofrezca algo nuevo :)
Lo entiendo, una mierda es una mierda))
No se trata de espiar, aunque también puede serlo en determinadas condiciones, pero el OOS debe ser lo más parecido al real, porque se quiere que el resultado del OOS se repita + - sobre el real, y si se prueba sobre el pasado más lejano, se acercará al pasado, y el mercado en este tiempo puede haber cambiado más o menos. Tu método puede llevar completamente al absurdo, por ejemplo si separas el OOS y el real durante años))
Usted mismo escribe que es absurdo, porque el mercado puede cambiar tanto en el pasado como en el futuro en relación con el lern. Además, cuanto más cerca esté el lern al presente, menos probable será que el mercado cambie mañana. Y sólo estoy mirando hasta qué punto el algoritmo es capaz de generalizar en cualquier OOS.
Alguien te acaba de decir que debe ser así y no sabes muy bien por qué, sólo son especulaciones.
no hay absolutamente ninguna diferencia
la bandera en la mano, el mundo real pondrá todo en su lugar
Puedo enviar el código, pero no estoy seguro de que alguien lo entienda y sugiera algo nuevo :)
A veces es difícil entender tu propio código con el que no he trabajado durante un mes).
Estás en manos del mundo real.
Jesucristo, estamos hablando de gángsters.
No se trata de espiar, aunque también puede serlo en determinadas condiciones, pero el OOS debe ser lo más parecido al real, porque se quiere que el resultado del OOS se repita + o - sobre el real, pero si se hace la prueba sobre el pasado más lejano, se acercará al pasado, y el mercado durante este tiempo puede cambiar más o menos. Tu método puede llevar completamente al absurdo, por ejemplo si separas el OOS y el real durante años))
Usted mismo escribe que es absurdo, porque el mercado puede cambiar tanto en el pasado como en el futuro en relación con el lern. Además, cuanto más cerca esté el lern al presente, menos probable será que el mercado cambie mañana. Y sólo estoy mirando la capacidad del algoritmo para generalizar en cualquier OOS.
En general, la esencia del algotrading es que el mercado cambia al menos parcialmente de forma continua, hay una especie de "inercia" debido a la difusión de la información. Lo que fue ayer es más probable que sea hoy que hace un mes (año). Se optimiza para que el OOS se acerque más al mercado real y luego simplemente se reconstruyen los datos del OOS, ¿cuál es el problema? Por lo general, todo el mundo lo hace, primero se divide en Lerne y Tren aprender en Lerne comprobar en el tren y luego volver a entrenar en Lerne + prueba en la configuración de parámetros optimizados.
Por supuesto que no voy a discutir e insistir, mi colega de arriba decía con razón "la vida real pone todo en su sitio", las lecciones de mercado se recuerdan mejor que la demagogia del foro)).
En general, la esencia del algotrading es que el mercado está cambiando, al menos parcialmente, de forma continua, es decir, una especie de inercia, como resultado de la difusión de información. Así que lo que fue ayer es más probable que sea hoy que hace un mes (año). Se optimiza para que el OOS se acerque más al mercado real y luego simplemente se vuelven a entrenar los datos del OOS, ¿cuál es el problema? Normalmente es lo que hace todo el mundo, primero dividir en lurn y treyn aprender en lurn comprobar en treyn y luego volver a entrenar en lurn + treyn en la configuración optimizada.
Entonces, ¿qué diferencia hay entre el lado de la OOS? ))
Sobre todo si se tiene en cuenta que lurn y traine son la misma cosa (entiendo lo que quiso decir el Test, pero lo destacado no lo niega)
Entonces, ¿qué diferencia hay entre el lado del OOS? ))
Más aún teniendo en cuenta que lern y trane son lo mismo (entiendo lo que quieres decir Test, pero lo destacado no lo niega)
error tipográfico, gracias, lo tengo arreglado.
Makin: ¡Optimizar para algo más cercano a la vida real, no para quién sabe qué y cuándo!
error tipográfico, gracias, corregido.
la diferencia es grande, OOS está más cerca de la realidad, hay que optimizar para lo que está más cerca de la realidad, y no para quién sabe qué y cuándo
en este contexto, la definición de lo que se menea en absoluto pierde todo su sentido
Dios, lo que es real, estamos hablando de bandidos aquí
¿Qué ha implementado el "algoritmo Bandit" en RDF?
¿O ha codificado algo específicamente para el algoritmo "Bandit"?