Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2841
![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
Si es puramente formal, la lógica está coja - cualquier optimización siempre tiene lugar dentro de algún modelo, como forma de encontrar sus parámetros. Es decir, siempre se encuentra algún modelo).
Está claro que se refiere al hecho de que ningún algoritmo de optimización puede arreglar un mal modelo. La cuestión que se plantea es cómo distinguir los buenos modelos de los malos. Si no hay conocimiento a priori (por ejemplo, puedes intentar averiguar qué modelos utiliza fxsaber 😆 ), entonces tendrás que recurrir a algunos métodos a posteriori, que obviamente te llevarán a la optimización).
Si es puramente formal, la lógica está coja: cualquier optimización siempre tiene lugar dentro de algún modelo como forma de encontrar sus parámetros. Es decir, siempre se encuentra algún modelo.)
Está claro que se refiere al hecho de que ningún algoritmo de optimización puede arreglar un modelo malo. La cuestión que se plantea es cómo distinguir los buenos modelos de los malos. Si no hay conocimiento a priori (por ejemplo, puedes intentar averiguar qué modelos utiliza fxsaber 😆 ), entonces tendrás que recurrir a algunos métodos a posteriori, que obviamente se reducirán a la optimización).
No puedo discutir los enfoques de otras personas, ya que no estoy bien informado. Pero basado en mi propia experiencia, lo que funcionó fue encontrado en Internet, o a través de mis propias conclusiones y luego confirmado en Internet. Para toda la historia de mi carrera comercial, había probablemente 2 estrategias optimizadas, tanto en el retorno a la media, uno de ellos en Martin, que ganó algo, pero no por mucho tiempo :). Y hubo bastantes intentos de optimización, pero al final sólo 2 estrategias, y no eran tan buenas.
El año 14 fue más tranquilo y el descenso más largo. Ahora es parecido, pero más corto e imprevisible.
No puedo discutir los enfoques de otras personas, ya que no estoy bien informado. Pero basado en mi propia experiencia, lo que funcionó fue encontrado en Internet, o a través de mis propias conclusiones y luego confirmado en Internet. Para toda la historia de mi carrera comercial, había probablemente 2 estrategias optimizadas, tanto en el retorno a la media, uno de ellos en Martin, que ganó algo, pero no por mucho tiempo :). Y había un buen montón de intentos de optimizar, pero sólo 2 estrategias en el final, y eso no es tan bueno.
La palabra "optimización" tiene mala reputación en nuestro foro por razones obvias. Así que es bastante comprensible querer huir de alguna manera de ella y ni siquiera utilizar la propia palabra. Sin embargo, cualquier entrenamiento de un modelo MOE es casi siempre optimización, y no se pueden quitar palabras a una canción.
No quiero herir los sentimientos de nadie, enseñarle la vida o explicarle cómo hacer negocios) escribo sólo con la débil esperanza de que metaquotes tenga en cuenta mis observaciones a la hora de implementar MO en MT5.
De hecho, también está optimizando. Te has inventado algún criterio de "estacionariedad de las características" y tomas las características óptimas de acuerdo con él. Es la misma optimización en la historia, pero en el perfil.
Definitivamente deberíamos inventar un criterio de robustez de TS y optimizar según él) Volveremos a obtener la misma optimización en la historia, pero en un perfildiferente).Genial, en términos de tolerancia.
Vas a una tienda, eliges unos pantalones... ¡optimización en función de tu figura!
Aquí estamos hablando de algo completamente diferente - el refinamiento de los algoritmos de optimización disponibles en los modelos. Me opongo al perfeccionamiento de los algoritmos de optimización ya incorporados. Hay un algoritmo en el probador - bien. El perfeccionamiento de este algoritmo no le permitirá obtener una TS rentable a partir de una TS agotadora. Lo mismo ocurre con los algoritmos incorporados en los modelos.
Además, debe tener mucho cuidado al optimizar los parámetros del modelo, ya que puede volver a entrenarlo fácilmente.
He llegado a la reflexión más importante: la indudable conexión entre la optimización y el sobreentrenamiento del modelo. El modelo debe dejarse siempre bastante "grueso" y, desde luego, no se necesitan óptimos globales.
Cuando busco una lista aceptable de predictores: optimización en el sentido de los pantalones. Pero el significado es muy distinto: se trata de evitar "basura dentro - basura fuera". Aquí hay una diferencia cualitativa con intentar encontrar el algoritmo "correcto" que encuentre el óptimo global. Ningún óptimo global dará un TS rentable sobre la basura.
Maxim Vladimirovich, ¿qué opina de la agrupación cuántica?
https://github.com/enniogit/Quantum_K-means