Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1439
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
realista reescribir todo el TS bajo catbust para intentarlo... también hay mucha molestia. Pero el hecho es que el aprendizaje en pequeños conjuntos de datos bosque generaliza bien y funciona, por ejemplo, en 2-5k muestras, aumentando sólo 2 veces, en los mismos datos, el reentrenamiento completo. Esto es un hecho.Probado con conjuntos de datos cortos, hay semanas con un error del 30% y la siguiente semana del 60-70%. Lo que da una media del 50%.
He probado con conjuntos de datos cortos, a veces una semana con un error del 30% y la siguiente del 60-70%. Lo que supone una media del 50%.
Por ejemplo, si entreno durante un mes, funciona casi igual de bien durante un año con nuevos datos. Entreno durante 2-3 meses - ya no funciona... una mierda.
y los errores del modelo son los mismosPor ejemplo, si entreno durante un mes, funciona casi igual de bien durante un año con nuevos datos. Me entreno durante 2-3 meses - ya no funciona... algún tipo de mierda
¿Está en su sistema de autoaprendizaje estos resultados?
Sí, en él, con algunos trucos. Uno que revelaré: añadir muestras intermedias al modelo. Por ejemplo, hubo una señal para abrir una operación de compra, mientras esté abierta, en cada nueva barra añadir otra muestra con la misma marca de compra, con nuevas lecturas de fichas, respectivamente. Esto reducirá en gran medida el error. Algún tipo de duplicación de muestras.
Puede que no reduzca el error en algún modelo, pero en el mío sí.Sí, en él, con algunos trucos. Uno que revelaré: añadir muestras intermedias al modelo. Por ejemplo, hubo una señal para abrir una operación de compra, mientras esté abierta, en cada nueva barra añadir otra muestra con la misma marca de compra, con nuevas lecturas de fichas, respectivamente. Esto reducirá en gran medida el error. Algún tipo de duplicación de muestras.
Con este truco, probarás más variaciones.
Bueno, es una especie de coincidencia de objetivos en la primera carrera. El resto de los ciclos son esencialmente de aprendizaje con el profesor de la primera carrera.
Con este truco probarás más variaciones.
Realmente no lo entiendo. Se trata más bien de una duplicación de muestras. Por lo general, sólo se alimentan las señales de compra y venta sin preocuparse de cómo se comporta el mercado entre estas señales. Si se añaden muestras de apoyo intermedias, el modelo clasifica automáticamente mejor.
Por ejemplo, si realmente tengo 1000 muestras-señales, entonces junto con los refuerzos intermedios son 5k o másLa poda debe controlar la integridad, es decir, cortar hasta una cobertura de la muestra de al menos el 0,5-1%.
¿Qué? Sólo cortar empíricamente a la profundidad correcta.
¿la integridad de qué? sólo se corta empíricamente a la profundidad adecuada
La lista debe contener al menos un porcentaje determinado de ejemplos de la muestra, si es menor, se cortan las divisiones. Cuantos más ejemplos, más probable es la regularidad: aquí todo es sencillo.
Sí, en él, con algunos trucos. Uno que revelaré: añadir muestras intermedias al modelo. Por ejemplo, hubo una señal para abrir una operación de compra, mientras esté abierta, en cada nueva barra añadir otra muestra con la misma marca de compra, con nuevas lecturas de fichas, respectivamente. Esto reducirá en gran medida el error. Algún tipo de duplicación de muestras.
Quizás en algún modelo no reduzca el error, pero en el mío lo reduce fuertemente.Empecé con este enfoque, pero por el contrario traté de encontrar la suavidad de la curva de clasificación correcta desde el punto de entrada hasta el punto de salida, pero mi enfoque requiere mucha potencia de cálculo - así que tuve que abandonarlo. Tienes lo contrario, es interesante, hay potencial para la contra-tendencia... Estoy pensando en cómo puedo implementar algo similar a MO, que funcione en mis señales - no sé cómo entrenar, pero obviamente hay algún potencial allí.
Realmente no lo entiendo. Se trata más bien de una duplicación de muestras. Por lo general, sólo se alimentan las señales de compra y venta sin preocuparse de cómo se comporta el mercado entre estas señales. Si se añaden muestras de apoyo intermedias, el modelo clasifica mejor.
Por ejemplo, si tengo 1000 muestras-señales entonces junto con el apoyo intermedio es 5k o más.Yo también me di cuenta y lo apliqué, pero por lo que entendí funciona porque los datos son una mierda, y dicho truco ayuda a entrenar en un rango de valores atípicos. Si no lo hace, el modelo se ajusta a un corredor o incluso a veces deja de funcionar después de algunas actualizaciones de recarga de datos en el mismo terminal.