Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2388
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
se puede obtener una mejora del 1-2% reentrenando el mismo modelo varias veces )
pero no 512 veces ))
no funciona así
eliminar las características de baja importancia del modelo y romperlo, luego comparar el culo con el dedo (otras características), y así sucesivamente
Ahora tendré que lidiar con un montón de características con las MAs y demás.
También se ha probado la eliminación por 1. Lo hace. Cuando hay muchos restos el modelo apenas nota la pérdida de un caza)
Todo esto es una puesta a punto, no una forma de encontrar algún tipo de patrón, por lo tanto la cola no debe mover al perro
Después de seleccionar la primera mejor característica, la segunda será la que tenga la mejor interacción con la primera, y así sucesivamente. Una vez que llegue a 10, la siguiente será la que tenga la mejor interacción con cualquiera de las 10 seleccionadas anteriormente, pero lo más probable es que con todas ellas.
No soy partidario de descartar todas las posibilidades a la vez, tal vez este enfoque pueda dar lugar a una variante interesante también.
La cosa es que no puedo hacer múltiples ciclos de parada/arranque de forma automática, teniendo en cuenta el cribado de algunas características en cada iteración.
Puedo preparar los datos para una iteración, luego necesito prepararlos de nuevo - por eso necesito Python.
Por cierto, no me importa probar mis predictores con tu método también, si hay un autómata preparado para ello.
No soy partidario de descartar inmediatamente todas las opciones posibles, quizás este enfoque podría proporcionar una opción interesante.
La cuestión es que no puedo hacer muchos ciclos de parada y arranque automáticamente, teniendo en cuenta la eliminación de cualquier característica en cada iteración.
Puedo preparar los datos para una iteración, luego necesito prepararlos de nuevo - por eso necesito Python.
Por cierto, no me importa probar mis predictores por su método también, si hay un autómata listo para este propósito.
Si se llega hasta el final, habrá casi 1000000 modelos entrenados para 1000 características.
El autómata es simple: 2 ciclos anidados. Tiene un problema con el inicio automático del entrenamiento. Resuélvelo, todo lo demás será una nimiedad.
Si se llega hasta el final, habrá casi 1000000 modelos entrenados para 1000 características.
Eso es mucho: ahora mismo 1000 modelos tardan aproximadamente un día en formarse.
Podría ser más rápido en un bosque aleatorio si se paraleliza.
El autómata es simple: 2 ciclos anidados. Tienes un problema de aprendizaje automático. Resuélvelo, todo lo demás será trivial.
Ese es el problema, no puedo automatizar el proceso.
Se trata de una puesta a punto, no de una forma de encontrar un patrón, por lo que la cola no debe mover al perro.
No has entendido lo que quería decir: el mejor patrón en términos de estadísticas de clasificación no significa el mejor en términos de rentabilidad. Sólo lo hace en el caso de SL y TP fijos.
Estoy buscando un método para influir en las curvas de ingresos y gastos - curva verde y roja.
Este es el aspecto de la distribución de probabilidad de la respuesta del modelo a la muestra cuando se entrena:
Así es como se ve cuando se alimenta la muestra independiente:
Como se puede ver, las curvas casi se han fusionado, mientras que los patrones no se han deteriorado tanto -la curva del aqua es de ceros y la del imán de unos- están bastante aceptablemente espaciados, y los patrones se conservan más o menos globalmente, pero el coste de estos patrones no ha sido más o menos ponderado en términos de ingresos/gastos.
Ese es el problema, no puedo automatizar el proceso.
en el próximo artículo por favor agreguestop y take profit al código python