Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1211
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
Mi robot siempre está en la parte superior. No sé cuándo es posible hacer un pedido a la vez y no sé cómo abrirlo de inmediato. Así que necesito saber cuándo el robot puede hacerlo peor de lo habitual... ya que los riesgos son limitados, mi beneficio es puramente una cuestión de tiempo... y a veces hay que esperar una semana... Y en una semana, si no hubiera habido esas detracciones, podrías haber ganado mucho más...
Martin y Drawdown son dos amigos inseparables
Y no importa la tendencia/flotación, siempre será así.
PS
¿Puede darme un enlace al libro de texto, por favor?
Por favor, aconsejad, porque da mucha pereza leer 1200 páginas, ¿alguien de aquí ha intentado implementar el aprendizaje automático basado en los resultados de las operaciones en EAs cerrados?
https://www.mql5.com/ru/code/22710
Martin y Drawdown son dos amigos inseparables
Y no importa la tendencia/flotación, siempre será así.
PS
¿Tienes un enlace al manual?
Martin y Drawdown son dos amigos inseparables
Y no importa la tendencia/flotación, siempre será así.
PS
¿Tienes un enlace al manual?
Los resultados preliminares (ya que todavía no he hecho todos los predictores) sobre la creación de modelos que determinan los modelos rentables (1) no fueron tan malos, aquí está el desglose por y - beneficio en el muestreo independiente y por x - 1 - TP+FP y 0 - TN+FN.
El objetivo era el beneficio de 2000, bueno no se ha conseguido hasta ahora, pero sólo 3 modelos han entrado en la zona de pérdidas desde 960 lo que no es un mal resultado.
La tabla de conjugación
El resultado financiero medio sin clasificar es de 1318,83, después de la clasificación 1 - 2221,04 y 0 - 1188,66, por lo que después de la clasificación el resultado financiero medio de los modelos ha aumentado un 68%, lo que no está mal.
Sin embargo, queda por ver si este modelo puede funcionar con modelos construidos a partir de otros datos.
Entrenamiento de Logloss - sorprendentemente, la muestra de prueba (sobre la que se muestrea automáticamente el modelo - no la muestra de entrenamiento) y la independiente (examen) Logloss_e convergen casi perfectamente.
También lo hace Recall.
Y la métrica de Precisión me sorprendió, ya que por defecto se suele utilizar para la selección de modelos, no tenía entrenamiento porque inmediatamente se igualó a 1 en el primer árbol.
Pero las diferentes métricas en la prueba y el examen - el resultado me sorprende mucho - un delta muy pequeño.
En los gráficos, por supuesto, puedo ver que el modelo está sobreentrenado y que podría haber dejado de entrenar a los 3.500 árboles o incluso antes, pero no he ajustado el modelo y los datos están en realidad con la configuración por defecto.
Un error en alguna parte, no existe una prueba y una pista igualadas. O el grial, entonces comparte :D
No es un grial, tengo otros 100k modelos en mi copia y los resultados no son muy buenos para ellos - todos los modelos rentables están recibiendo sólo el 2%, pero los rentables tienen demasiados.
Creo que es el efecto de un sistema cerrado, es decir, algún tipo de estacionariedad, porque los modelos son similares entre sí, sólo he conseguido identificar bien sus características, por lo que hay una discrepancia tan pequeña entre los resultados.
Estoy terminando los predictores previstos y lo que se me ocurre - tal vez debería eliminar inmediatamente aquellos modelos que no elegiría yo mismo (grandes drawdowns, fuerte desproporción entre compras y ventas, distribución de probabilidad muy pequeña, etc.), entonces la información sobre los modelos obviamente malos disminuirá, pero habrá más énfasis en la elección de un modelo hipotéticamente bueno (por supuesto, el modelo bueno en la prueba puede tener malos resultados en la muestra de prueba). Así que no sé si cortar la muestra o no, ¿qué opinas?
Además, rechazaré el beneficio desnudo como objetivo - seleccionaré los modelos de acuerdo con una serie de criterios - por desgracia, esto reducirá el objetivo "1", pero tal vez haya conexiones más profundas que permitan evaluar el modelo de acuerdo con los resultados de las pruebas.
¿Podríais aconsejarme, porque me da pereza leerme 1.200 páginas? ¿Alguien ha intentado implementar el aprendizaje automático basado en los resultados de las operaciones sobre órdenes cerradas de los Asesores Expertos?
No hace falta que leas este tema, créeme, vas a ensuciar tu mente, trata de hacerlo de inmediato ya que aquíLAS IZQUIERDAS SEMANALES PREVIENEN TENDENCIAS Este es un excelente curso introductorio sobre el uso de la RI en el algorithotrading, pero en general la RI es un tema muy amplio, de hecho la RI es una extensión de la estadística clásica, principalmente con heurística y trucos de ingeniería, por lo que no es una ciencia sino un chamanismo tecnogénico, que por un lado es interesante, pero por otro lado está plagado de especulaciones y abusos. Si te interesa el desarrollo de indicadores, puedes olvidar lo que estabas haciendo originalmente, y el modus operandi es un agujero sin fondo, puedes sumergirte y no salir nunca. Además, deberías tener una buena formación matemática, al menos una licenciatura en ingeniería, para poder ocuparte realmente de los indicadores en lugar de aburrirte con los parámetros de las bibliotecas y los paquetes.
No es un grial, hay 100k modelos más y el resultado no es muy bueno para ellos - sí corta bien los modelos completamente no rentables - sólo el 2%, pero también corta demasiados modelos rentables.
Creo que es el efecto de un sistema cerrado, es decir, algún tipo de estacionariedad, porque los modelos son similares entre sí, sólo he conseguido identificar bien sus características, por lo que hay una discrepancia tan pequeña entre los resultados.
Estoy terminando los predictores previstos y lo que se me ocurre - tal vez debería eliminar inmediatamente aquellos modelos que no elegiría yo mismo (grandes drawdowns, fuerte desproporción entre compras y ventas, distribución de probabilidad muy pequeña, etc.), entonces la información sobre los modelos obviamente malos disminuirá, pero habrá más énfasis en la elección de un modelo de hipotéticamente bueno (por supuesto, el modelo bueno en la prueba puede tener malos resultados en la muestra de prueba). Así que no sé si cortar la muestra o no, ¿qué opinas?
Bueno, también voy a renunciar al beneficio desnudo como objetivo - voy a seleccionar los modelos por una serie de criterios - por desgracia, se reducirá el objetivo "1", pero tal vez habrá relaciones más profundas, lo que permitirá evaluar el modelo por los resultados de las pruebas.
Bueno, por supuesto, si hay una clara inutilidad, se puede eliminar