Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2595
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
Luego resulta que hay que entrenar en un tramo lo más corto posible. Para que después del cambio de patrón, el nuevo patrón empiece a funcionar más rápido.
Por ejemplo, si se entrena durante 12 meses, después de un cambio de patrón en 6 meses los patrones nuevos y antiguos serán 50/50. Y al cabo de un año habrá formación y comercio sobre el nuevo patrón. Es decir, durante casi todo un año el patrón ha estado operando con un patrón obsoleto y muy probablemente perdiendo.
Si se entrena durante 1 mes, el patrón aprenderá a funcionar correctamente de nuevo en un mes.
Sería bueno entrenar durante 1 semana... Pero no hay suficientes datos.
No vale la pena ir por un período corto en absoluto, estoy seguro. Y los datos faltarán para los modelos y el riesgo de sobreajuste a las condiciones del mercado. El concepto de adaptación parece bueno, pero debido al retraso (mientras se acumulan los datos, el estado puede haber cambiado ya) no es un grial. Se pueden probar varios modelos al mismo tiempo: uno es responsable de las pautas a largo plazo, otro u otros de las pautas a corto plazo (actuales), la solución es una función de las soluciones de todos estos modelos.
Hay más cuestiones interesantes del uso de MO en el comercio. Por ejemplo, el algoritmo para determinar qué intervalo de la historia se debe tomar para el entrenamiento. Tal vez pueda establecerse mediante algunos meta-parámetros que se optimicen mediante la validación cruzada. Tengo que leer a Prado).
Probablemente es mejor rodar hacia adelante, siempre tiene OOS después del tren. En SW sólo la primera pasada será así, otras utilizarán los datos de pre y post-transmisión para el transe.
No vale la pena irse a corto plazo, estoy seguro. Y habrá una falta de datos para los modelos y un riesgo de sobreajuste a las condiciones del mercado. El concepto de adaptación tiene buena pinta, pero debido al desfase (cuando se acumulan los datos, el estado puede haber cambiado ya) no es un grial. Se pueden probar varios modelos a la vez: uno es responsable de las pautas a largo plazo, otro/otros de las pautas a corto plazo (actuales), la solución es una función de las soluciones de todos estos modelos.
Según recientes experimentos con 5000 líneas de M5 (unos 2 meses) hay algo interesante. Con 3000 ya es malo. Pero esto es para las fichas específicas+objetivo tomadas. Tal vez hay un conjunto diferente de fics y objetivo cuando el modelo funciona después de la formación en una trama corta. Tendremos que experimentar...
Depende del número de funciones, a mí me gustan más funciones, normalmente 5000 no es suficiente, si tienes hasta 5 funciones, quizás 5000 está bien.
Luego resulta que hay que entrenar en un tramo lo más corto posible. Para que después del cambio de patrón, el nuevo patrón empiece a funcionar más rápido.
Por ejemplo, si se entrena durante 12 meses, después de un cambio de patrón en 6 meses los patrones nuevos y antiguos serán 50/50. Y al cabo de un año habrá formación y comercio sobre el nuevo patrón. Es decir, durante casi todo un año el patrón ha estado operando con un patrón obsoleto y muy probablemente perdiendo.
Si se entrena durante 1 mes, el patrón aprenderá a funcionar correctamente de nuevo en un mes.
Sería bueno entrenar durante 1 semana... Pero ya no hay suficientes datos.
Sobre el ruido, sí. Sin embargo, no pensé en ello en términos de tomar secciones de la historia con y sin ruido. Y por cierto, ¿cómo se entiende esto antes del entrenamiento del modelo? ¿Cómo, de forma iterativa? ¿Entrenas toda la sección, ves dónde rinde mejor, dejas estas secciones y entrenas sólo estas secciones primero? Eso da lugar a la segunda cuestión que puede llamarse filosófica antes de la validación experimental: ¿es mejor que el modelo vea inmediatamente diferentes zonas, incluidas las ruidosas, pero que aprenda de media de los datos ruidosos o que aprenda de los datos más limpios, pero que no vea una vez los datos ruidosos?
¿Y qué hay de malo en las tallas gigantes? ¿Además del aumento del tiempo de cálculo?
Probablemente sea mejor con un reenvío de valking, siempre tiene OOS después de trayn. En SW, sólo la primera pasada será así, el resto utilizará los datos de antes y después de la formación.
Y si no lo mezclas, es como si te adaptaras a secciones alternas de igual longitud.
Probablemente sea mejor con un reenvío de valking, siempre tiene OOS después de trayn. En SW sólo la primera pasada será así, el resto utilizará tanto el antes como el después de OOS para los datos de arrastre.
Estoy de acuerdo contigo si respondes a la pregunta "¿Cómo operar en el próximo periodo?". Si se responde a la pregunta "¿Existe un patrón en esta sección de la historia?