Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2726
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
Sin embargo, es mejor consultar las secciones Mercado, Señales y Autónomos. Hay cuestiones teóricas importantes que deben discutirse constantemente, y es imposible hacerlo en otro lugar que no sea el foro.
Personalmente, sigo muy interesado en la cuestión de la construcción de un algoritmo para determinar la longitud de una muestra histórica para el entrenamiento. El método "tomemos N años (meses, días)" no parece muy apropiado. ¿Por qué no N+1, por ejemplo?
Sin embargo, es mejor consultar las secciones Mercado, Señales y Autónomos. Hay cuestiones teóricas importantes que deben debatirse constantemente, y es imposible hacerlo en otro lugar que no sea el foro.
Personalmente, sigo muy interesado en la cuestión de la construcción de un algoritmo para determinar la longitud de una muestra histórica para el entrenamiento. El método "tomemos N años (meses, días)" no parece muy apropiado. ¿Por qué no N+1, por ejemplo?
La respuesta está en la teoría que sigues:
1. El mercado está cambiando
2. El mercado no está cambiando
La variabilidad se refiere a patrones probabilísticos identificados.
En el primer caso, se debe buscar un segmento de este tipo, y en el segundo, se debe tomar todo lo que esté disponible.
Me adhiero al segundo enfoque, es por eso que el cambio de sesión de negociación MOEX simplemente me mata, y pierdo el deseo de participar en MOEX.
Pero de nuevo, tomo cotizaciones de 2014, ya que el mercado cambió significativamente en su volumen y movimiento entonces.Sin embargo, es mejor consultar las secciones Mercado, Señales y Autónomos. Hay cuestiones teóricas importantes que deben debatirse constantemente, y es imposible hacerlo en otro lugar que no sea el foro.
Personalmente, sigo muy interesado en la cuestión de la construcción de un algoritmo para determinar la longitud de una muestra histórica para el entrenamiento. El método "tomemos N años (meses, días)" no parece muy apropiado. ¿Por qué no N+1, por ejemplo?
La forma más fácil de entenderlo es superponer los gráficos del instrumento y el saldo de la TS. Entonces se puede ver cuándo se rompe y por qué, normalmente las rupturas de la TS se producen en el cambio de tendencia o cuando los precios van más allá de los rangos en los que se formó.
La respuesta está en la teoría que sostienes:
1. El mercado está cambiando
2. El mercado no está cambiando
Quizá mi teoría se acerque más al primer punto: el mercado puede cambiar a veces, aunque no lo hace de forma regular. De lo contrario, no estaría planteando esta pregunta.
La forma más fácil de entenderlo es superponer los gráficos del instrumento y el balance de la ST. Así podrás ver cuándo se rompe y por qué
Obtenemos un análisis a posteriori de un modelo ya entrenado. Me gustaría complementarlo con un análisis a priori para la fase de selección de una muestra de entrenamiento.
Por lo general, las rupturas de CT se producen en los cambios de tendencia o cuando los precios van más allá de los rangos en los que se entrenó el modelo.
Yo también lo creo. Dejé de utilizar la última cima formada del zigzag por simplicidad, pero me gustaría algo más elaborado.
Quizá mi teoría se acerque más al primer punto: el mercado puede cambiar a veces, aunque no lo hace de forma regular. De lo contrario, no estaría haciendo esta pregunta.
Entonces hay que aprender a predecir fases similares del mercado, aunque no, hay que aprender a predecir cómo es probable que cambie el mercado.
Si cada tendencia no es similar a una nueva tendencia, entonces esta es la única manera.
Más bien creo que hay varias formas diferentes de tendencias en tendencia y planas, y no cambian tanto.
Probablemente se pueda comprobar de alguna manera, si se hace un marcado adecuado cortando el gráfico en tendencias.
Entonces hay que aprender a predecir fases similares del mercado, aunque no, hay que aprender a predecir cómo es probable que cambie el mercado.
Si cada tendencia no es similar a una nueva tendencia, esta es la única manera.
Más bien creo que hay varias formas diferentes de tendencias en tendencia y planas, y no cambian tanto.
Probablemente se pueda comprobar de alguna manera, si se hace un marcado adecuado cortando el gráfico en tendencias.
Tus suposiciones parecen demasiado fuertes. En el sentido de que si fuera posible realizarlas, sería casi un grial. Me gustaría resolver un problema más modesto y específico: encontrar alguna forma general de llegar a un compromiso entre la longitud suficiente de una bandeja y la ausencia de ejemplos obsoletos en ella.
En mi opinión, esta cuestión es fundamental para las aplicaciones de MO y matstat en nuestro campo.
encontrar alguna forma general de llegar a un compromiso entre la longitud suficiente de la bandeja y la ausencia de ejemplos obsoletos en ella.
También podemos considerar el punto de vista expresado a menudo de que "no debemos intentar predecir el mercado en el futuro, sino determinar su estado en el presente". Necesitamos una forma significativa de identificar este "presente". Además, puede haber varios de esos "presentes" (diferentes escalas del "presente"); lo principal es que no haya demasiados y que la selección de cada uno de ellos tenga sentido.
Tus suposiciones parecen demasiado fuertes. En el sentido de que si fuera posible ponerlas en práctica, sería prácticamente un grial. Me gustaría resolver un problema más modesto y específico: encontrar alguna forma general de llegar a un compromiso entre la longitud suficiente de la bandeja y la ausencia de ejemplos obsoletos en ella.
En mi opinión, esta cuestión es fundamental para las aplicaciones de MO y matstat en nuestro campo.
¿No lo has intentado experimentalmente? Después de todo, según su enfoque teórico de esta cuestión, tras un aumento crítico del tamaño de la muestra, los patrones de la muestra serán viejos, ya no funcionarán, lo que significa que el aprendizaje debería deteriorarse en un sentido cualitativo y los resultados sobre nuevos datos serán peores cuando aumente la muestra.
Obtenemos un análisis a posteriori de un modelo ya entrenado. Me gustaría complementarlo con un análisis a priori para la fase de selección de la muestra de entrenamiento.
Yo también lo creo. Decidí utilizar la última cima formada del zigzag por simplicidad, pero me gustaría algo más elaborado.
Empiezo a sacar sólo piezas de trabajo de los nuevos datos y aplicar un filtro en forma de un segundo modelo para trabajar tanto en datos antiguos y nuevos, entonces lo compruebo en otros datos nuevos, como en el artículo.
También es una especie de ajuste, pero sobre la base de los errores del modelo. Como si seleccionamos al menos aquellas variantes que es capaz de clasificar bien, por lo que hay algo en ellos además de la aleatoriedad (al menos en la formación y la validación y algunos otros validación).
Si a priori establecer algo, probablemente tiene sentido tomar cualquier seguimiento de larga duración, que dará al menos un poco de marcado adecuado. Recoger las señales.
Se me ocurrió un nuevo spammer de características y objetivos (parece ser informativo, y lo es, en comparación con el muestreo aleatorio habitual). Pero hay algunas variantes, aún no lo he probado.