Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1552
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
Esencialmente estoy buscando partes para el bot, escribiendo videos para mí.
a decir verdad, no ha habido un solo artículo que haya tomado prestado algo directamente muy útil, sólo un poco de todas partesSí, está claro que no siempre hay algo que pedir prestado...
Pero sobre CatBoost - probablemente no es muy adecuado para series temporales, como otros modelos - todos ellos no tienen en cuenta la repetibilidad del patrón (hoja) en la historia de muestreo, su distribución sobre el muestreo - es muy importante.
Es comprensible que no siempre haya algo que pedir prestado...
Pero sobre CatBoost - parece no ser muy adecuado para las series temporales, así como otros modelos - todos ellos no tienen en cuenta la repetibilidad del patrón (hoja) en la historia de muestreo, su distribución sobre el muestreo - es muy importante.
¿en qué sentido no tiene en cuenta? el submuestreo de algunos patrones?
es posible acumularlos.
La verdad es que es muy chulo y práctico por sí solo, + cada vez mejora más. Dicen que ha superado al xgboost en casi todo. Pero sigue siendo una pregunta abierta: ¿qué es mejor para las series temporales?
¿En qué sentido no tiene en cuenta? el submuestreo de algunos patrones?
es posible acumularlos
Por lo que tengo entendido, CatBoost generalmente toma una ventana aleatoria en el algoritmo de muestreo para calcular una división de hasta 64 valores (no estoy seguro de si esto se aplica a los predictores categóricos o a todos).
La cuestión es que a la mayoría de los algoritmos no les importa si en 1/10 de la muestra se produjo la activación de la hoja o si se distribuyó en toda la muestra - creo que la distribución debe ser en toda la muestra (digamos cada 1/5 no menos del 10-15%) y hay que tener en cuenta los indicadores económicos al pasar la estadística - eso es lo que hago cuando compruebo las hojas separadas.
En general, es muy bueno y fácil de usar en sí mismo, + se está mejorando todo el tiempo. Se dice que ha superado al xgboost en casi todo. Sin embargo, sigue siendo una cuestión abierta: ¿qué es mejor para las series temporales NS o para el boosting?
Como he dicho antes, según la opinión de los desarrolladores, si los predictores son similares entre sí, en las mismas unidades de medida, entonces NS es mejor, pero yo no tengo returno, pero deberías probar NS.
Como dije antes, según los desarrolladores si los predictores son similares entre sí, en las mismas unidades, entonces NS es mejor, pero no tengo recurrencias justas, pero probaría NS.
Yo probaría con NS. Precisamente los recurrentes y sus modificaciones son buenos para los incrementos, los probaré más adelante.
Los recurrentes y sus modificaciones son buenos para los incrementos, los probaré más adelante.
Todo es posible, hay que intentarlo.
En cuanto al último video - No estoy de acuerdo en que el código no cambiará el interés - si una persona sólo intenta sus fuerzas en python y MO, será más interesante de ver, y las preguntas pueden estar en los méritos. Aunque, el público puede ser difícil de entender, y sí, no todo es tan a la vez.
En cuanto a las fichas, ¿no sería mejor probar diferentes fórmulas lineales para seleccionar los incrementos en lugar de hacerlo al azar? Tal vez debería tener tres retornos con un desplazamiento de 1 a 10 y treinta con un desplazamiento de 10 a 50.
Un poco de crítica) Maxim no ***entiendo.....
Consejo, hay que ver el código para entender lo que se está conjurando ahí. Así que publique el código de cada vídeo en el blog o en algún lugar, sólo el código abierto, sin ningún archivo.
Poner comentarios en el código. Así podrás aplicar trozos de código en la práctica y razonar algo. Pero por ahora son sólo videoclips con reflexiones en voz alta).
P.D. ¿Qué es esa biblioteca que ajusta la escala del gráfico, que sólo funciona en el navegador?
No todo se puede hacer en código...
Por ejemplo, la colocación de órdenes pendientes(algunas de sus variantes)
Un poco de crítica) Maxim no ***entiendo.....
Consejo, hay que ver el código para entender lo que se está conjurando ahí. Así que publique el código de cada vídeo en el blog o en algún lugar, sólo el código abierto, sin ningún archivo.
Poner comentarios en el código. Así podrás aplicar trozos de código en la práctica y razonar algo. Pero por ahora son sólo videoclips con reflexiones en voz alta).
P.D. ¿Cuál es la librería que ajusta la escala del gráfico y que sólo funciona en el navegador?
Estaré loco respondiendo a todo el código, el tiempo no es suficiente
Más tarde, añadiré alguna versión intermedia.
https://kernc.github.io/backtesting.py/