Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1545
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
Intenta predecir no el signo de la subida, sino por ejemplo el precio de la próxima rodilla en zigzag o algo mejor. o algo así, deberías utilizar la regresión en lugar de la clasificación, pero la regresión no un paso por delante, sino buscar el extremo. Creo que te sorprenderás gratamente.
Por desgracia, los milagros nunca ocurren, las variables agregadas como el precio (extremum, etc.) no se predicen en absoluto, bueno, no mucho mejor que con una varita (es decir, nada) y las relativas (desviación del precio respecto al extremum) son tan malas como los incrementos.
Por desgracia, los milagros nunca ocurren, las variables agregadas como el precio (extremo, etc.) no se pueden predecir en absoluto, bueno, no mucho mejor que con una varita (es decir, nada), y las variables relativas (desviación del precio respecto al extremo) lo hacen tan mal como los incrementos.
Te diré esto, el extremo que será el más significativo en la próxima hora, por ejemplo, es más fácil de predecir que el valor de una vela de arrastre, o el color de la vela, o la dirección de un zigzag, o...
Al menos para mí es cierto y tiene una explicación razonable.
python tester, liba - hay muchos diferentes
En cuanto a todo lo demás - ahora estoy compitiendo con diferentes parámetros y el entusiasmo ha desaparecido, el mismo sobreajuste que en el bosque
es fácil ver dónde hay una pista y dónde hay una prueba. Es decir, en esencia, nada ha cambiado, el catbusto no ha dado ninguna ventaja.
Probaré con lstm más tarde.
Si crees que es sobreentrenamiento, entonces deja de generar árboles antes, pero a juzgar por el número de ofertas es más probable que haya subentrenamiento...
¿Qué se obtiene para diferentes muestras de Precisión y Recall?
Tiene muestra en el archivo - sería interesante tratar de comparar la dinámica de entrenamiento con mis datos, si tengo un buen modelo, te lo enviaré.
Por cierto, he decidido probar a sacar hojas de CatBoost, no sé si encontraré buenas entre ellas o la idea de potenciar en sí no la supone, ¿qué opináis?
Le diré esto, el extremo que será el más significativo dentro de la próxima hora por ejemplo, es más fácil de predecir que el valor de una vela de arrastre, o el color de la vela, o la dirección de un zig-zag o...
Al menos, esto es cierto para mí y hay una explicación razonable.
¿Qué significa "el extremo más significativo"? ¿Cómo se comprueba después si es significativo o no?
Cuál es una explicación razonable para todo esto - bastante interesante.
Si crees que hay sobreentrenamiento, entonces deja de generar árboles antes, pero a juzgar por el número de operaciones es más probable que haya subentrenamiento...
¿Qué se obtiene para diferentes muestras de Precisión y Recall?
Tienes muestra en el archivo - sería interesante probarlo y comparar la dinámica de entrenamiento con mis datos, si tengo un buen modelo, te lo enviaré.
Por cierto, he decidido probar a sacar hojas de árbol de CatBoost, no sé si encontraré buenas entre ellas, o la propia ideología del boosting no lo sugiere, ¿qué opináis?
el sobreaprendizaje en el sentido de la generalización débil. Ya he escrito más arriba cómo se puede sortear el problema, pero seguro que hay enfoques más elegantes.
ningún problema con la calidad del tren + la validación.
Veo que todo el mundo está tratando de entrenar la red con la ayuda de un maestro.
¿Alguien ha tratado de entrenar en una función objetivo, como el factor de recuperación?
para sacar las hojas de los árboles de CatBoost - no sé si hay buenos ejemplares entre ellos, o crees que la ideología del boosting no lo sugiere?
No, no es así.
El primer árbol de XGBoost es un modelo aproximado. Todos los demás árboles corrigen el primero con un coeficiente microscópico. Allí no se puede conseguir que nada funcione individualmente, sólo dan buenos resultados con toda la gente.En catbust aparentemente el mismo principio básico, con sus propias peculiaridades.
En cuanto a todo lo demás - ahora estoy compitiendo con diferentes parámetros y el entusiasmo se ha ido, el mismo sobreajuste que el bosque
es fácil ver dónde está la pista y dónde está la prueba. Es decir, de hecho, nada ha cambiado, katbust no dio ventajas.
Obviamente no tiene sentido complicar el sistema con el conjunto de MQL + Python + Catbust. Y buscaré regularidades con el bosque de algibú.
Si hay un patrón, que el bosque lo aprenda en un 90%, no en un 99% como si fuera una catástrofe. Lo principal es encontrarlo y luego perseguir los porcentajes. En este momento, ambos están al 50%.
Parece que con estos bosques todo el mundo se ha adentrado en el desierto,
y es imposible salir de allí sin ayuda ))))
Aparentemente no tiene sentido complicar el sistema con MQL + Python + Catbust. Y buscar regularidades con el bosque de Algiba.
Si hay una relación, deja que el bosque te enseñe el 90% de las veces, y no el 99% como el Catbusto. Lo principal es encontrarlo, y luego perseguir los porcentajes. Por el momento, obtenemos alrededor del 50% en ambos casos.
Si no tienes nada con lo que comparar, nunca entenderás nada.