Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2611
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
99% de probabilidad o 0,99 sin porcentaje
¡Eres un hombre que da miedo!
¿Tener ese tipo de probabilidad y comunicarse con simples mortales...? - eso no es real...
¡Eres un hombre que da miedo!
¿Tener esa posibilidad y comunicarse con los simples mortales...? - eso no es real...
vamos ;)
la cuestión es que, por mucho que los operadores lo intenten, al final la mayoría de ellos acaban operando en contra de las tendencias
observar la distribución de los volúmenes en el CME, se publican dinámicamente en línea y el comportamiento del precio
que de nuevo sólo dice una cosa: el precio está en contra de la mayoría
comprado - precio a la baja y viceversa.
y así fue y así será siempre
porque:
https://www.mql5.com/ru/forum/86386/page2605#comment_28636383
No es buena idea hacer una estrategia basada en la información de la CME
porque.
en cuanto se dan cuenta, saben tirar la información errónea.
He estado allí, he hecho eso ;)
Resulta una especie de refuerzo, como señaló Alexei
Mejora en cada iteración, dado el muestreo del examen
Pero la espalda no es buena (a la izquierda), pero a veces es mejor.
Hay muchos ajustes, no voy a explicar en detalle. He descrito la idea lo mejor que he podido.
si esperas 100 iteraciones
Resulta una especie de refuerzo, como señaló Alexei
Mejora en cada iteración, dado el muestreo del examen
Pero la espalda no es buena (a la izquierda), pero a veces es mejor.
Hay muchos ajustes, no voy a explicar en detalle. He descrito la idea lo mejor que he podido.
Básicamente, sólo necesito mirar 2 gráficos (equidad), todos en OOS puro: 1 - primer modelo, entrenado, sin ninguna característica extra, 2 - después de todos estos procedimientos descritos. También puede utilizar las métricas PF, RF y winrate. Y entonces no está claro, ¿cuál es el efecto, una hermosa curva de aprendizaje es, como yo entiendo, en IS?
De hecho, basta con ver dos gráficos (de equidad), todos en OOS puro: 1 - el primer modelo, entrenado, sin ningún adorno, 2 - después de todos estos procedimientos descritos. También puede utilizar las métricas PF, RF y winrate. Y entonces no está claro, ¿cuál es el efecto, una hermosa curva de aprendizaje es, como yo lo entiendo, en IS?
primer tercio del gráfico - datos nuevos, no implicados en el aprendizaje
las imágenes con 25 y 100 iteraciones muestran una mejora a las 100, aunque el máximo fue de alrededor de 70Hay una pregunta así:
Se utilizan dos modelos. Uno predice que hay que comprar o vender, el otro que hay que negociar o no.
Primero se entrena el primer modelo, luego miramos dónde predice mal, marcamos estos ejemplos como "no comerciar", los otros buenos como "comerciar", enseñamos esto al segundo modelo.
El primer modelo se prueba no sólo en la zona de entrenamiento sino también en la zona adicional y el segundo modelo se entrena en ambas zonas.
Repetimos esto varias veces, reentrenando ambos modelos en el mismo conjunto de datos. Los resultados mejoran gradualmente en las muestras. Pero no siempre en la muestra de control.
Paralelamente, mantenemos un registro de malas operaciones acumulado para todos los pases, todos los tratos "malos" para "no comerciar" se recogen en él para el entrenamiento del segundo modelo y se filtran de acuerdo con un cierto principio como el de que cuantas más copias de malos tratos para todos los pases, más posibilidades de marcarlos como "no comerciar"
Por ejemplo, para cada fecha se acumula una cierta cantidad de operaciones malas para todas las iteraciones del entrenamiento, cuando este número supera un umbral (media, promedio), esas operaciones se marcan como "no operar". El resto de operaciones se saltan, de lo contrario sería posible excluir todas las operaciones si hay muchas iteraciones de entrenamiento.
El coeficiente permite ajustar el número de operaciones en la salida, cuanto más bajo sea, más operaciones se filtrarán
... a estas alturas ya estoy cansado de escribir...
¿Cómo se puede mejorar esa combinación de modelos para que mejore sus resultados en una nueva parcela independiente?
¿Existe alguna filosofía que explique por qué esto puede funcionar? Aparte de que los modelos se mejoran de forma natural (el error disminuye) en cada ronda de reentrenamiento, pero ¿cómo deshacerse del ajuste?
Ilustración. El gráfico está dividido en 3 partes. El último entrena el primer modelo, el penúltimo y último el segundo, el primer tercio es una muestra de examen. Naturalmente, el último tramo será el mejor y el primer tercio el peor.
Aquí hubo 15 iteraciones de reentrenamiento de ambos modelos, utilizando el registro de operaciones malas.
suena como una trivial clasificación multietiqueta - no debemos variar la combinación de los modelos, sino la combinación de los predictores - en primer lugar, la división de los predictores en características de acciones inteligentes y minoristas... porque por supuesto que habrá señales contrarias, pero los puntos de entrada OTF (por ruptura de niveles) - ya es Edge para la selección del modelo (acción dtf u otf en el mercado)... imho
==========
o sin marcar, pero sólo con LSTM con posibilidades de olvidar la puerta, para no tener que filtrar por separado de 2 modelos... pero todo es cuestión de gustos...
Tengo una regresión en IBM (datos de prueba de finales de 2021 - allí la cola derecha en el gráfico de precios se representa en el gráfico de tren y de prueba)... ... simplemente con Cerrar...
- ... Tengo un MA trivial - y siempre funcionará en una tendencia (como sea que funcione), no en plana - el comportamiento inteligente y al por menor debe ser filtrado adicionalmente (y el modelo debe ser rediseñado para clasificar entrantes y salientes ...)
parece una clasificación multietiqueta trivial - no es la combinación de modelos lo que debe variar, sino la combinación de predictores - en primer lugar la división de los predictores en características de acciones inteligentes y minoristas... porque por supuesto que habrá señales contrarias, pero los puntos de entrada de OTF (por ruptura de niveles) - ya es Edge para la selección del modelo (acción de dtf u otf en el mercado)... imho
==========
o sin marca, pero sólo con LSTM y capas, para no tener que filtrar por separado de 2 modelos... pero todo es cuestión de gustos...
Tengo una regresión en IBM (datos de prueba de finales de 2021 - allí la cola derecha en el gráfico de precios se representa en el gráfico de tren y de prueba)... ... simplemente con Cerrar... - Tenemos un MA trivial - y siempre funcionará en una tendencia (no importa cómo), no en plana - el comportamiento inteligente y al por menor debe ser filtrado adicionalmente (y el modelo debe ser rediseñado para clasificar entrantes y salientes ...)
No es una etiqueta múltiple, tiene un significado diferente. Excluye las malas señales de forma iterativa, deja las que están bien predichas por el modelo principal en el montón común, y el segundo modelo aprende a separar las malas de las buenas, prohíbe o permite la negociación de las primeras
lstm siempre produce MA, probado hace mucho tiempo