Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2590
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Anteriormente, usted tenía la idea de combinar las métricas estándar con las métricas personalizadas, lo que entendí como que los modelos se entrenan utilizando las métricas estándar y se seleccionan utilizando las métricas personalizadas.
sí, de hecho, el criterio combinado es mejor
pero existen las llamadas métricas de evaluación como roc o assgasu, el bussing es detenido por ellas, aunque se entrena minimizando el logloss. Luego tenemos las métricas personalizadas.
Luego puede ejecutar modelos en el optimizador en MT5 para ajustar los parámetros de la pérdida de la parada, y hay un montón de trabajo ingrato :)
¿En el espacio de parámetros del modelo? Tiene una enorme dimensionalidad. Esto sólo es posible para modelos muy sencillos con un número reducido de predictores.
No está muy claro cómo es posible construir una superficie en un espacio de enorme dimensionalidad. Simplemente tenemos muy pocos puntos en comparación con esta dimensionalidad. A no ser que sea por algunos métodos de visualización de reducción de escala como PCA, etc., pero el punto no está claro.
Luego también puede ejecutar los modelos en el optimizador de MT5 para ajustar los parámetros de stop loss, etc.
¿Con qué debe hacerlo? ¿O estamos hablando de los modelos escritos en MQL5?
¿Qué utiliza para hacerlo? ¿O estamos hablando de modelos escritos en MQL5?
O transferido, ver artículos sobre catboost en este sitio (búsqueda). El mío o el de Alexey.
Mm, no tengo la idea de cómo python fue portado a MQL5, pero me di cuenta de que aparentemente usando una función dehttps://www.mql5.com/ru/articles/8642 se puede sacar modelos de catbust desde el código de mql5. Yo utilizo sobre todo XGBoost, pero también es posible el catbust). Estoy de acuerdo con lo de las redes neuronales y los datos tabulares. Según tengo entendido, usando el código del artículo puedo usar los modelos de Catbust, pero otras bibliotecas no. Bueno, eso también es bueno. Ahora estoy utilizando un enfoque en el que no estoy limitado en la elección de las bibliotecas de Python - estoy tirando de los modelos de código mql5 a través de la API en Python. En este caso no estoy limitado por las librerías, pero es más lento, en la variante del artículo - limitado por las librerías, pero aparentemente la orden/orden es más rápida.
Sí, así es exactamente como lo veo... Reconstruir el OP y luego visualizarlo a través de PCA...
Para ser sincero, no tiene mucho sentido. Una proyección de pequeña dimensión no puede, en principio, representar todo lo que puede ser en el caso multidimensional. Los extremos, por ejemplo, pueden ser puntos de silla de montar: un máximo en algunas variables y un mínimo en otras. Y si la superficie no es lisa, puede pasar cualquier cosa.
En teoría, podría tener un poco más de sentido utilizar PLS en lugar de PCA.Para ser sincero, no tiene mucho sentido. Una proyección de baja dimensión no puede, en principio, representar todo lo que puede ser en el caso multidimensional. Los extremos, por ejemplo, pueden ser puntos de silla de montar: un máximo en algunas variables y un mínimo en otras. Y si la superficie resulta no ser lisa, puede haber cualquier cosa.
En teoría, podría tener un poco más de sentido utilizar PLS en lugar de PCA.Tal vez la implementación actual tenga poco sentido, pero la esencia de lo que se trata puede ser más importante que toda esta rama
Mm, no he captado la esencia de cómo python fue transferido a MQL5, pero he entendido que aparentemente usando la función dehttps://www.mql5.com/ru/articles/8642 puedes sacar modelos de catbust del código de mql5. Yo utilizo sobre todo el XGBoost, pero también es posible el catbust). Estoy de acuerdo con lo de las redes neuronales y los datos tabulares. Por lo que entiendo, usando el código del artículo puedo usar los modelos de Catbust, pero otras bibliotecas no. Bueno, eso también es bueno. Ahora estoy utilizando un enfoque en el que no estoy limitado en la elección de las bibliotecas de Python - estoy tirando de los modelos de código mql5 a través de la API en Python. En este caso no está limitado por las bibliotecas, sino que es más lento, en la variante del artículo - está limitado por las bibliotecas, pero aparentemente es más rápido.
La versión del artículo ya es definitiva, para aplicar modelos entrenados en python en MT5 sin capas. Guarda las divisiones del árbol en c++ desde el programa de python y luego las traduce en código mql, además de la función de cálculo de clases.
Genial, tendré que probarlo algún día.
Genial, tendré que probarlo algún día.