Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3037

 
СанСаныч Фоменко #:

1) No hay robot, ya que tuvimos que rechazar al profesor. y hubo problemas técnicos con el consejero. Ahora se han superado todos los problemas técnicos.


2) Considero que tu idea con el equilibrio es inviable, aunque me gustó inicialmente. El equilibrio NO puede ser un profesor, porque NO existe. Tienes que diseñar un profesor con más cuidado que antes.

1) ¿entonces de qué hay que hablar?

2) Y nunca he dicho que la idea de equilibrio funcione, de hecho he dicho lo contrario, FF tiene infinitas posibilidades de variaciones.

¿Has olvidado como era? Te lo recuerdo.

El hombre preguntó cómo entrenar la red para el equilibrio, te di una pista, te interesaste, pediste un ejemplo, te lo di. También escribí que no se debe entrenar para el equilibrio.

Y todo lo demás son puras invenciones personales tuyas, invenciones que por alguna razón asocias conmigo.

 
mytarmailS #:

1) entonces, ¿de qué hay que hablar?

2) Y nunca he dicho que la idea de equilibrio funcione, de hecho he dicho lo contrario, FF tiene posibilidades ilimitadas de variantes.

¿Has olvidado como era? Te lo voy a recordar.

El hombre preguntó cómo entrenar la red para el equilibrio, te di una pista, te interesaste, pediste un ejemplo, te lo di. También escribí que no se debe entrenar para el equilibrio.

Y todo lo demás son puras invenciones personales tuyas, invenciones que por alguna razón asocias conmigo.

La idea del equilibrio es nueva para mí y vino de ti, cosa que subrayo. Pero de alguna manera reaccionas con nerviosismo. . .

Cerrado el tema con el equilibrio.

 
mytarmailS #:

lasostenibilidad de las normas es tan inviable en OOS como la curva de equilibrio es fiat

He hecho todo esto antes, en diferentes formas, muchas veces....

Pero sigo pensando que todo el mundo debería saber escribir FF y usar AO...

Yo tampoco soy fan, pero Alexei dice que funciona.

La pregunta es porque no usa lo que tiene ) aparentemente el resultado no es muy satisfactorio.

mi logica desde hace mes y medio (funciona desde hace mas de un año con el mismo exito).

Lo considero más exitoso (trabajar con errores de modelo) que juguetear con las reglas.

porque trastear con reglas es lo mismo que genética, seleccionar parámetros de pasadas exitosas.

H.Y no voy a PR el último artículo más, porque estoy aburrido :) Si al menos alguien lo resolviera y sugiriera qué más se podría mejorar, sería un progreso.


 
Maxim Dmitrievsky #:

Yo tampoco soy muy fan, pero Alexei dice que funciona.

la pregunta es por qué no lo usa )

Así que dijo muchas veces que las reglas están muriendo y resucitar al azar no está funcionando, lo confirmo ....

También podemos concluir que si las reglas ya seleccionadas no funcionan, entonces sólo AMO no está funcionando en absoluto ...

De esta conclusión de que el problema no está en el AMO, pero en los datos y / o metas


imagen agradable )

 

hay un pequeño libro sobre todo tipo de normas.

https://christophm.github.io/interpretable-ml-book/

Interpretable Machine Learning
  • Christoph Molnar
  • christophm.github.io
Machine learning algorithms usually operate as black boxes and it is unclear how they derived a certain decision. This book is a guide for practitioners to make machine learning decisions interpretable.
 
СанСаныч Фоменко #:

No entiendo sus imágenes. No entiendo de qué se trata, qué tiene que ver la clasificación, cuando las columnas son saldos.

¿Qué es lo que no está claro? Me explico:
la línea de equilibrio en el gráfico, en mi opinión, aunque rentable, pero no es adecuado para el trabajo.
La columna Err muestra el error de clasificación. Para la variante rentable es igual a 8,3%, para la variante que trabajó en 0 el error = 9,1%.

Así que me puede mostrar su gráfico de balance en el OOS con 20% de error?
 
Forester #:
¿Qué no está claro allí? Permítanme explicar:
la línea de equilibrio en el gráfico, en mi opinión, aunque rentable, pero no es adecuado para el trabajo.
Err columna - muestra el error de clasificación. Para la variante rentable es igual a 8,3%, para la variante que trabajó en 0 el error = 9,1%.

Entonces, ¿puede mostrarme su gráfico de equilibrio en el OOS con 20% de error?

¿Qué tiene que ver el equilibrio con el error de clasificación?

 
СанСаныч Фоменко #:

¿Qué tiene que ver el equilibrio con el error de clasificación?

Exactamente, nada. No está claro por qué sigues pregonando el 20% como un logro...
Ni el 20%, ni el 8%, ni el 50% significan nada. Los números no tienen nada que ver.

El equilibrio es interesante. ¿No hay gráfico?

 
Maxim Dmitrievsky #:

Yo tampoco soy muy fan, pero Alexei dice que funciona.

la pregunta es por que el no lo usa ) aparentemente no esta muy satisfecho con el resultado.

Resulta que selecciona reglas, pero debemos entender que algunas de ellas no funcionan de forma estable de año en año, otras dejan de funcionar del todo, y la otra parte sigue funcionando de forma estable.

Por supuesto, nos interesan las que siguen funcionando; lo que las distingue de las demás es el misterio que mejorará significativamente cualquier ST.

Eso es exactamente lo que intento aumentar potencialmente el número de reglas buenas, seleccionando para ellas un número limitado de secciones de predictores. Para ello, es necesario identificar las áreas de rendimiento "estable" de cada predictor que se utilizarán para crear reglas. Esta es la tarea que me interesa actualmente.

No he experimentado con otros objetivos, ya que busco una forma menos costosa de extraer estas reglas.

¿He entendido bien que has decidido no hacer un colab para comparar los dos métodos?

 
Aleksey Vyazmikin #:

Resulta que selecciona reglas, pero debemos darnos cuenta de que algunas de ellas no funcionan de forma constante de un año para otro, otras dejan de funcionar del todo, y la otra parte sigue funcionando de forma constante.

Por supuesto, nos interesan las que siguen funcionando: lo que las distingue de las demás es el misterio que mejorará significativamente cualquier ST.

Eso es exactamente lo que intento aumentar potencialmente el número de reglas buenas, seleccionando para ellas un número limitado de secciones de predictores. Para ello, es necesario identificar las áreas de rendimiento "estable" de cada predictor que se utilizarán para crear reglas. Esta es la tarea que me interesa actualmente.

No he experimentado con otros objetivos, ya que busco una forma menos costosa de extraer estas reglas.

¿He entendido bien que has decidido no hacer un colab para comparar los dos métodos?

Por ahora estoy pensando en hacerlo en automático.