Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3095
![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
Sería una solución muy buena. Listo para participar en las pruebas si es necesario.
Buena suerte.
un vehículo participa en un experimento
He estado luchando con overfit durante mucho tiempo y he susurrado varias veces - mira en kozul. Todas estas técnicas son de allí, Prado se inspiró (parcialmente) allí.
Es una generalización de la estadística a ML.
Puedes hacer inferencia de modelos por un criterio dado (tritment). Se trata de eliminar el sesgo y la varianza de los datos para trabajar mejor con nuevos datos.Con el método sugerido en el artículo, no se puede ir a través de diferentes modelos con el fin de elegir el mejor (estilo ptu). Eso es https://en.wikipedia.org/wiki/Multiple_comparisons_problem.
Aún tengo curiosidad por conocer más detalles... ¿cómo propones seleccionar un modelo con el que trabajar entre miles de opciones?
Ese paquete más bien evalúa la posibilidad de entrenar con éxito el objetivo seleccionado con los predictores seleccionados. Si la mayoría de los modelos tienen éxito, es probable que el modelo seleccionado también lo tenga.
No hay selección de un modelo en particular (como yo lo entendí). Debe seleccionarse por otro método, que no se discute en el artículo. Y hay un montón de advertencias y restricciones (un par de páginas), algunos de ellos he relatado.
Los modelos allí son diferentes, porque tienen diferentes parámetros indicadores. Pero el conjunto de indicadores puede ser el mismo. Creo que esta es la confusión.
Se puede decir - la estrategia es la misma, pero los modelos (variantes) son diferentes
Aún así, tengo curiosidad por conocer más detalles... ¿cómo propones seleccionar un modelo con el que trabajar entre miles de opciones?
Ese paquete más bien evalúa la probabilidad de entrenar con éxito el objetivo seleccionado con los predictores seleccionados. Si la mayoría de los modelos tienen éxito, es probable que el modelo seleccionado también lo tenga.
No hay selección de un modelo en particular (como yo lo entendí). Debe seleccionarse por otro método, que no se discute en el artículo. Y hay un montón de advertencias y restricciones (un par de páginas), algunas de las cuales he relatado.
Los modelos allí son diferentes, porque tienen diferentes parámetros de indicadores. Pero el conjunto de indicadores puede ser el mismo. Creo que esta es la confusión.
Sólo se puede elegir entre los buenos, si todos son buenos. Si se plantea la cuestión de la elección de esta manera, o con algún intervalo de confianza, todos son buenos. Si no, es el problema anterior, que requiere más esfuerzo.
No sé quién hace qué exactamente, así que la pregunta me resulta vaga.
hago experimentos, escribo código...
Lo pruebo, funciona, luego pienso qué TCs son mejores para usar, etc. Voy más allá y más profundo...
Y te pasarás otro año discutiendo sobre teoría, y luego te rendirás, y se acabó.
Pero no entiendo cómo hacen la validación cruzada sin entrenamiento. Simplemente alimentan un conjunto listo de retornos y luego lo mezclan en 12000 variantes. Debería entrenarse en cada una de las 12000 IS y predecirse en cada OOS correspondiente.
En mi opinión - esta es una de las opciones para evaluar la rectitud de la curva de equilibrio en la bandeja.
Debido a que eliminamos el sesgo (esto es lo principal) y la varianza mediante la validación cruzada, el modelo empieza a comportarse +- adecuadamente con los nuevos datos. Entonces se puede afinar.
También se puede poner en el comercio.
Hermosa línea de equilibrio)
Tal línea se puede utilizar en el comercio.
Es más de un año tal similar, hasta ahora no hemos perdido.
Leerlo (ya dio un enlace antes), será por lo menos alguien con quien charlar. El manual es mega chulo, me lo he leído. Especialmente la sección 22. Explicación del enfoque de Chernozhukov.
No usa ningún "paquete", todo está escrito por uno mismo. Así que no tengas miedo de python.
Porque Sanych está diciendo estupideces irrazonables.
La historia de fondo comenzó con mi último artículo"Meta modelo...", en el que decidí utilizar errores de modelo para corregirlo. Luego lo reescribí de varias otras maneras. Luego descubrí que la inferencia kozul es más o menos lo mismo y que todavía no hay otras formas adecuadas de mejorar los modelos.
Tengo uno similar desde hace más de un año, aún no lo he fusionado.
Leer (ya di un enlace antes), será por lo menos alguien con quien charlar. El manual es mega chulo, me lo he leído. Especialmente la sección 22. Explicación del enfoque de Chernozhukov.
Sanych ha dicho chorradas poco razonables.El vídeo no me impresionó. No está muy claro cómo la influencia de la publicidad en los clientes (tratamiento), que cambia su comportamiento y, por ejemplo, los ingresos de la tienda --- se relaciona con el comercio. No es que podamos influir de alguna manera en los participantes del comercio en el mercado (a menos que tengas mil millones para agitar divisas y a partir de ahí evaluar el impacto de tu tratamiento).
Con nuestro dinero sólo podemos influir en nuestro saldo. Ningún impacto sobre la parte de los visitantes (que se comparará más adelante) - sólo podemos tener ningún comercio, es decir, ningún cambio en el equilibrio.
Estos son mis primeros pensamientos después de ver el video. Debido a ellos yo no estaba interesado.
Pero su balance es interesante. Es posible que usted no aplica todo el método sin cambios, pero tomar elementos separados.
Por lo tanto, todavía voy a leerlo (tal vez pueda hacerlo en una semana, entre momentos de trabajo).