Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1546
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
el sobreaprendizaje en el sentido de la generalización débil. Ya he escrito más arriba cómo se puede evitar el problema, pero hay enfoques más elegantes, estoy seguro
No hay ningún problema con la calidad de la formación en el tren + valide en absoluto.
Tal vez se trate de los datos, no es la primera vez que escucho de diferentes formadores que los datos homogéneos, como el incremento, se dan mejor con NS, y los árboles de diferentes tipos funcionan mejor con datos no uniformes - patrones, noticias, factores de riesgo, tiempo, eventos, densidad de acciones, interés abierto, volúmenes.
Si no sabe cómo hacerlo, puede sorprenderse de la diferencia entre las señales de los precios abiertos y cerrados.
Veo que todo el mundo está tratando de entrenar la red con la ayuda de un maestro.
¿Alguien ha intentado entrenar la red utilizando una función objetivo, como el factor de recuperación?
Selecciono las hojas y construyo un modelo a partir de ellas según mis parámetros.
No lo sugiere.
En XGBoost el primer árbol es el modelo aproximado. Los otros corrigen al primero, y por un factor microscópico. No se puede conseguir que nada funcione allí individualmente, sólo dan un buen resultado como conjunto.En catbust aparentemente el mismo principio básico, con sus propias peculiaridades.
De hecho yo también soy escéptico al respecto, salvo para hacer el árbol más auténtico - ahora estoy preparando datos para 6 splits, no creo que sea suficiente.
Sin embargo, la esencia misma de la ponderación es sólo la evaluación de todas las hojas en el modelo sobre una base de acumulación, y no se puede descartar que hay un buen patrón entre ellos, porque el principio de la construcción de la hoja se observa y tiene en cuenta la construcción independiente por la codicia, y luego comprobar para la mejora del árbol y la evaluación. Veamos.
Así que tal vez todo sea cuestión de datos, no es la primera vez que escucho de diferentes profesores que los datos homogéneos, como los incrementos, son mejores para alimentar a las NS, mientras que los árboles de diferentes tipos funcionan mejor con datos heterogéneos - patrones, noticias, ratios de riesgo, tiempo, eventos, densidad de copas, interés abierto, volúmenes.
Por cierto, sobre los incrementos, ¿has probado a medir por ATR, o porcentaje del precio de cierre, en lugar de en pips?
No sé qué medir, no me importa.
Estás luchando con la cosa equivocada... Me importa una mierda lo que midas.
Justo lo contrario, pensé que convertir a valores naturales tendría un efecto, ya que tengo todos los valores normalizados y cuantificados (desglosados en rangos), y resulta que al dejar los números puros, el aprendizaje se deterioró significativamente. Ahora me parece obvio que el preprocesamiento de los datos marca la diferencia.
Justo lo contrario, pensé que convertir a valores naturales tendría un efecto, porque tengo todos los valores normalizados y cuantificados (divididos en rangos), y resultó que cuando dejé los números puros, el aprendizaje fue significativamente peor. Ahora me parece evidente que el preprocesamiento de los datos marca la diferencia.
Bueno, tienes tu propio mundo bizarro ahí fuera, con sus propias bestias )) Sólo utilizo los incrementos y sus contrapartidas, y a veces sólo los precios, como mandaban los Padres
Bueno, tienes tu propio mundo bizarro ahí fuera, con sus propias bestias )) Sólo utilizo los incrementos y sus contrapartidas, y a veces sólo los precios, como mandaban los Padres
¿Quizás cruce dos muestras con tus predictores y los míos, sólo por experimentar?
¿Qué tal si cruzamos dos muestras con tus predictores y los míos, sólo para experimentar?
¿Por qué? Los predictores se derivan de los retornados. Sólo hay que añadir las devoluciones a las suyas y considerarlas cruzadas.
¿Por qué? Los perdedores se derivan de los retornos. Sólo hay que añadir las devoluciones a las tuyas y considerarlo ya cruzado
No sé qué retornos añadir, a qué paso y cuántos.
No sé qué retornos añadir, a qué paso y cuántas piezas.
Yo tampoco lo sé, siempre es diferente