Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1608
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
¿Rebotando a través de las señales en el carro? )
como una opción sí, a través de un par de iteraciones
- No hace falta buscar soluciones sofisticadas, todo es sencillo, yo obtuve el primer resultado con el Secuencial de una capa
- la predicción se basa en la opinión combinada de 20 modelos
Creo que una de dos es redundante aquí...
- no es necesario buscar soluciones complicadas y rebuscadas, es sencillo, yo obtuve mi primer resultado en una sola capa Secuencial
- la predicción se realiza a partir de la opinión combinada de 20 modelos.
uno de los dos parece ser redundante aquí...
1. ¿por qué un conjunto de modelos? ¿qué los distingue? ¿es la duración del futuro o las características?
¿o hay otra red jerárquicamente superior que selecciona qué red del conjunto debe escuchar?
2. Si todo funciona bien, ¿por qué lo público? ¿qué te impide ganar dinero tú mismo?
3. completamente velas + indicadores + algo más complicado y ¿qué es más complicado? )
1. ¿por qué un conjunto de modelos? ¿qué los distingue? ¿es la duración del futuro o las características?
¿o hay otra red jerárquicamente superior que selecciona qué red del conjunto debe escuchar?
2. Si todo funciona bien, ¿por qué lo público? ¿qué te impide ganar dinero tú mismo?
3. completamente velas + indicadores + algo más complicado y ¿qué es más complicado? )
2. en cuanto se empieza a pensar en términos de "ganancia", todo se vuelve inmediatamente aburrido y se detiene, el cerebro pasa a los objetivos, a los stops, a los backtests, a la selección de parámetros, mientras que aquí nos interesa el tema en sí, la parte de investigación.
3. esto es saber hacer
1. ¿por qué un conjunto de modelos? ¿qué los distingue? ¿es la duración del futuro o las características?
¿o hay otra red jerárquicamente superior que selecciona qué red del conjunto debe escuchar?
2. Si todo funciona bien, ¿por qué lo público? ¿qué te impide ganar dinero tú mismo?
3. completamente velas + indicadores + algo más complicado y ¿qué es más complicado? )
Puedo entregar señales neuronales a través de sockets+json sin ningún tipo de filtro - tal cual, es decir, previsión cada minuto.
2. Estaré encantado de externalizar el tema de las operaciones en la bolsa.
Puedo entregar señales neuronales a través de sockets+json sin ningún tipo de filtro - tal cual, es decir, previsión cada minuto.
Usted puede transmitir las operaciones aquí en MQL a las "señales"
Y buscar inmediatamente clientes para suscribir... Seré uno de los primeros en apuntarme si veo que no es una máquina de hacer medias de mierda.
Tengo una pregunta teórica
Tenemos una función objetivo a la que aproximaremos el modelo
tenemos predictores, que sean 1000 unidades.
Así que la pregunta es si tenemos muchos predictores podemos dividirlos en partes iguales, que sean 100 y entrenar 10 modelos.
A continuación, los resultados de estos 10 modelos se introducen en el nuevo modelo como predictores. ¿Será el equivalente a un modelo entrenado inicialmente para 1000 predictores a la vez?
Algo me dice que no, pero me gustaría escuchar opiniones
Tengo una pregunta teórica
Tenemos una función objetivo a la que aproximaremos el modelo
tenemos predictores, que sean 1000 unidades.
Así que la pregunta es si tenemos muchos predictores podemos dividirlos en partes iguales, que sean 100 y entrenar 10 modelos.
A continuación, los resultados de estos 10 modelos se introducen en el nuevo modelo como predictores. ¿Será el equivalente a un modelo entrenado inicialmente para 1000 predictores a la vez?
Algo me dice que no es así, pero me gustaría escuchar algunas opiniones.
se llama apilamiento de modelos. No será lo mismo, pero no necesariamente más eficiente. Lo hice de esta manera, no vi ninguna mejora.
Existe otra forma llamada metaformación. Se entrena el primer modelo para predecir las clases, luego se obtienen los resultados y se introducen en el segundo modelo, sobre los mismos u otros predictores, que permite/niega el comercio del primer modelo. 1 - negociar, 0 - no negociar, en función de la calidad de las predicciones del primer modelo, es decir, una especie de filtro. Reduce fuertemente los errores en los datos de entrenamiento, pero no tanto en los nuevos datos (si el modelo tiene una baja generalizabilidad). Pero la metaformación en sí misma está bien.
Se puede entrenar el primer modelo en algunos datos y el metamodelo en otros datos, sobre los errores del primer modelo. Puede haber diferentes variantes. Yo lo hice de las dos formas, en general hay una mejora, pero es más un retoque, que una forma de conseguir un buen modelo que funcione en la retroalimentación.
Puedes buscar en Google el "meta aprendizaje" de Marcos López De Prado, justo sobre el comercio.