Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3038
![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
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.
Lo cierto es que si tomamos 1000 CT al azar, tendremos exactamente los mismos resultados.
Además, si hacemos otra muestra para la prueba, un cuarto tipo - Entrenar-Prueba-Validar-Prueba2.
entonces descubriremos que "la otra parte sigue funcionando establemente".
exactamente igual no funcionará ))
Todo es aleatorio, y el patrón encontrado es realmente aleatorio.
lo cierto es que si se toman 1.000 TC al azar, se obtienen exactamente los mismos resultados.
Además, si hacemos otra muestra para la prueba, un cuarto tipo - Train-Test-Valid-Test2.
comprobarás que "la otra parte sigue funcionando sin problemas".
no funcionará de la misma manera ))
Todo es aleatorio, y el patrón que encuentres es en realidad aleatorio.
He entrenado 10000 modelos y sé que este no es el caso - la mayoría de ellos dejan de funcionar en los nuevos datos.
Y las hojas - sí usted no leyó cuidadosamente al parecer - Escribí que he entrenado en los datos de 2014 a 2019 (un par de meses), incluyendo la validación, y mostró cómo funcionaban en 2021 - es decir, aquí fue una prueba honesta, sin mirar hacia el futuro - en beneficio 50%.
Tal vez todo es al azar, pero cada azar tiene una ciclicidad según la cual resulta que no es al azar :)
He entrenado 10000 modelos y sé que no es así: la mayoría dejan de funcionar con datos nuevos.
Y las hojas - sí usted no leyó cuidadosamente al parecer - Escribí que he entrenado en los datos de 2014 a 2019 (un par de meses), incluyendo la validación, y mostró cómo funcionaban en 2021 - es decir, aquí era una prueba honesta, sin mirar hacia el futuro - en beneficio 50%.
Tal vez todo es al azar, pero cada azar tiene una ciclicidad, según la cual no es al azar :)
Al igual que si se obtiene un estado estacionario a través de FF, que caracterizará a un estado estacionario TC? Todo el mundo se da cuenta de que esto es kurwafitting
El FF debe describir las reglas de un CT estable. Si la CT resulta ser inestable, entonces las reglas en el FF están equivocadas.
El problema es que nadie ha conseguido encontrar aún tales reglas para la FF (yo no las he visto, al menos). Hay dos maneras: o bien simplificar la TS para que tenga el menor número posible de grados de libertad, lo que significa que es más probable que sea estable drenando o estable vertiendo, o bien encontrar reglas para FF, que es una manera más complicada.
En general, no existe un conjunto universal de acciones para un constructor de griales. Hay una tercera manera - crear una IA flexible de autoaprendizaje como ChatGPT, pero incluso aquí hay FF que se utiliza en el entrenamiento. Quería decir una cosa - FF siempre estará presente de una forma u otra, no hay manera de deshacerse de él.
El problema no está en la construcción de una TS estable, sino en las características descriptivas que se ponen en el FF.
El FF debe describir las reglas de una CT estable. Si la CT resulta ser inestable, entonces las normas del FF son erróneas.
El problema es que nadie ha conseguido encontrar tales reglas para las FF (al menos yo no las he visto). Hay dos maneras: o bien simplificar la ST para que tenga el menor número posible de grados de libertad, lo que significa que es más probable que sea estable drenando o estable vertiendo, o bien encontrar reglas para FF, que es una manera más complicada.
En general, no existe un conjunto universal de acciones para un constructor de griales. Hay una tercera manera - crear una IA flexible de autoaprendizaje como ChatGPT, pero incluso aquí hay FF que se utiliza en el entrenamiento. Quería decir una cosa - FF siempre estará presente de una forma u otra, no hay manera de deshacerse de él.
El problema no está en la construcción de una TS estable, sino en las características descriptivas que se ponen en el FF.
Razonamiento bastante correcto y competente, contradictorio por supuesto - "... no en la construcción de una TS sostenible", sólo a la tecnología de construcción/selección/evolución de TS sosteniblemente rentables y nos esforzamos por ello.
El FF debe describir las reglas de una CT estable. Si la CT resulta ser inestable, entonces las normas del FF son erróneas.
La FF no puede resolver ningún problema por definición. O hay TANTO que mejorar por unidad de porcentaje o no lo hay. No se puede mejorar la basura, por mucho que se escarbe en la basura, la basura seguirá siendo basura.
Por lo tanto, las consideraciones iniciales sobre la relación entre el objetivo y los predictores son iniciales . Además, se necesita una evaluación cuantitativa de esta relación, y más aún, no sólo una evaluación de la relación, sino una evaluación cuantitativa de la capacidad de los predictores para predecir valores futuros de la variable objetivo (el profesor). No hay lugar para la FF en esta cadena de razonamiento, por lo que se puede tomar/elegir sin más un algoritmo de MO, de los que hay cientos, y utilizarlos como cajas negras sin intentar "mejorar" nada en algoritmos específicos.
Además, las clases de FF son una cosa delicada: el olor a ajuste excesivo a la historia es demasiado fuerte.
Exacto, ninguno. 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 significan nada.
El balance es interesante. ¿No hay gráfico?
Tienes una columna llamada error de clasificación, ahora la clasificación es irrelevante.
Es imposible de entender. Ojalá pudiera.
¿Quizás puedas exponer tus resultados más claramente?
Ningún problema puede resolverse con FF por definición. O hay TANTO que mejorar en un solo porcentaje o no lo hay. No se puede mejorar la basura, por mucho que se escarbe en la basura, la basura seguirá siendo basura.
Por lo tanto, las consideraciones iniciales sobre la relación entre el objetivo y los predictores son iniciales . Además, se necesita una evaluación cuantitativa de esta relación, y más aún, no sólo una evaluación de la relación, sino una evaluación cuantitativa de la capacidad de los predictores para predecir valores futuros de la variable objetivo (el profesor). No hay lugar para FF en esta cadena de razonamiento, por lo que se puede tomar/elegir sin más un algoritmo de MO, de los que hay cientos, y utilizarlos como cajas negras, sin intentar "mejorar" nada en algoritmos concretos.
Además, las clases de FF son una cosa delicada - el olor a sobreajuste a la historia es demasiado fuerte.
sabía que no pasarías de largo por mi post. es más, sabía que hablarías. por desgracia, no te das cuenta de que lo que está resaltado en rojo negrita es FF.... No entiendo por qué tienes tanta alergia a FF.
por cierto, de la basura se pueden hacer muchas cosas útiles, a reciclar se le llama reciclar. diré más, la presencia de "basura" sólo permite seguir obteniendo beneficios estables en los mercados, hay ejemplos incluso en este foro.
Muy correcto y competente razonamiento, contradictorio por supuesto - "... no en la construcción de CT sostenible", sólo a la tecnología de la construcción / selección / evolución de CT sostenible rentable y esforzarse.
Es como ir a una tienda a comprar ropa, pero no tienes ideas estables sobre lo que te gustaría, en qué estilo, para qué temporada, y como resultado la cosa no será usada y tu dinero será malgastado.