Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3171
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
Andrey Dik #:
cuantificando el precio mediante el método renko, obtenemos el SB (al menos estadísticamente relevante)
Creo que no más SB que sólo barras.
No creo que más SB que sólo bares.
Creo que un SB mucho más grande, ya que las estadísticas en las barras son muy diferentes de rendimiento SB
Creo que nadie aquí ha explorado tiki con MO todavía.
en voz alta tal vez no, al menos no cuantificar la serie.
Parece prometedor actuar "por el método contrario", es decir, buscar no las regularidades, sino los estados de las series de precios (ticks) (no quiero utilizar "series temporales"), que nunca son realizables y no se dan en la historia.
Esto permitirá utilizar condiciones límite para construir una estrategia favorable para los operadores.
He pasado por alto en el curso del hilo, lo siento, el método de su cuantificación, por favor recuérdemelo.
El concepto de "límite cuantificado" es sencillo: es el intervalo del predictor, que tiene un valor numérico en cada línea de la muestra. Todo lo que esté dentro del rango se convierte en una unidad.
Los métodos de partición en rangos pueden ser diferentes, y yo utilizo tanto variantes incorporadas en CatBoost (en bousting a menudo utilizadas tanto para reducir la RAM necesaria como para reducir la dimensionalidad), como algunas propias, por ejemplo, diferentes secuencias numéricas.
Después de dividir el predictor en rangos utilizando la rejilla obtenida de un modo u otro, se toma cada segmento por turno y se evalúa el valor de la información que contiene.
Un desplazamiento de la probabilidad de pertenecer a una clase en un 5% o más respecto al valor medio de la muestra se considera información valiosa, al igual que se tiene en cuenta el número de señales y su distribución en la muestra.
Si la muestra con un objetivo binario, obtenemos dos grupos de segmentos cuánticos, en los que la probabilidad de acertar 0 o 1 se desplaza en consecuencia.
Creamos una nueva muestra, donde cada segmento cuántico tiene su propia columna - si hay una señal en el rango - poner "1", si no la hay - "0".
La respuesta es sí.
Hice una elección al azar del primer segmento cuántico para excluir la señal (cadena) 1000 veces.
Aquí hay un par de ejemplos de gifs, cómo fue el proceso con diferentes al azar primeros segmentos cuánticos (puede ser hojas).
Y aquí están las imágenes estáticas en el momento de la iteración intermedia - diferentes etapas de selección y aleatorización.
¿Qué conclusión se puede sacar?
1. Puede que tengas suerte y encuentres un modelo que funcione al azar :)
2. Sin reducir el número de patrones falsos, es difícil construir un modelo utilizando únicamente el principio de la avaricia.
3. Necesitas desarrollar métodos para estimar la regularidad observada en un segmento o lámina cuántica.
4. La aleatoriedad no prueba que se tenga éxito en el aprendizaje automático.
5. 5. Se requiere un modelo lógicamente válido para tener éxito.
6. El éxito en la muestra de la prueba no siempre significa éxito en la muestra del examen, y viceversa.
¿Qué otras conclusiones se pueden sacar?
Un desplazamiento de la probabilidad de pertenecer a una clase en un 5% o más con respecto a la media de la muestra se considera información valiosa, así como el número de señales y su distribución en la muestra.
En mi humilde opinión, esto parece pi-hacking, sobre lo que Maxim escribió recientemente. A menos que se utilicen algunas pruebas estadísticas para determinar la importancia de los cuantos asignados, se trata definitivamente de él.
Una vez di un ejemplo simple cuando la mejor hora de la semana para el comercio fue seleccionado en SB (cuando obviamente no existe). Sólo había 5*24=120 variantes, pero era suficiente para que siempre se encontrara dicha hora (el intervalo de tiempo era de medio año, creo). Ahí también hay "estabilidad de muestreo".
Parece prometedor actuar "por el método contrario", es decir, buscar no las regularidades, sino los estados de las series de precios (ticks) (no quiero utilizar "series temporales"), que nunca son realizables y no se dan en la historia.
Esto permitirá utilizar las condiciones límite para construir una estrategia favorable para los operadores.
y hacer las mismas pruebas/ajustes en esas series.
Gracias, probaré con incrementos de MathRand.
Si ves el mismo efecto (volcado OOS direccional) - es el efecto de ajustar/reentrenar tu TS/MO.
Creo que, por la definición de la SB no debería haber tal situación.
Gracias, probaré con incrementos MathRand.
¿Se supone que hay una caída OOS en la SB?No creo que deba ser así por definición de SB.