Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3019
![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
Buen tutorial de Yandex, no está mal escrito. Lo que mis pensamientos están girando en torno tiene más que ver con otra sección de la misma. En ella se describe el tipo general de función de pérdida utilizada en la construcción de árboles. La cuestión es que ahí, optimizar el precio medio del error, y maximizar el beneficio es equivalente a optimizar la suma de los precios del error.
Si se traduce en términos de beneficio, es la diferencia entre el beneficio total y el beneficio medio en una operación. Dado que estoy resolviendo el problema de la clasificación binaria (entrar/no entrar), maximizar el beneficio medio en una operación conducirá estúpidamente a entrar en una o dos operaciones y descartar el resto.
Estoy tratando de entender si esto es un límite infranqueable entre la optimización y el MO o no.
¿Qué te impide escribir tu propia función de pérdidas?
Ese soy yo resumiendo justo sobre el árbol ) Google funciona, yo mismo lo uso. Dipminds suelen hacer muy cerca de cómo yo mismo percibo la realidad.
Gracias por los consejos.
Gracias por los consejos.
Debes ser tú quien se ocupe de tus temas, no otra persona.....
Resuelvo problemas en MQL5, y estábamos hablando de R.
Un hecho es un hecho - usted dice algo sin pensar, y luego ir a los arbustos.
¿Qué le impide escribir su DIVERSIÓN?
Bueno, todavía no sé cómo aplicar la maximización de beneficios en el mismo bousting, por ejemplo.
Estoy haciendo algo, por supuesto, pero me gustaría escuchar otras opiniones informativas sobre el tema.
Bueno, todavía no sé cómo implementar la maximización de beneficios en el mismo bousting, por ejemplo.
Estoy haciendo algo, por supuesto, pero me gustaría escuchar otras opiniones informativas sobre el tema.
Toda tu idea de separar las "normas buenas" de las "normas malas" es un callejón sin salida, metodológicamente sin salida.
De alguna manera piensas que las "buenas" reglas (árboles) son realmente "buenas".
Y no es sólo la vaguedad de su futuro, es el hecho de que no hay reglas que puedan tomarse según algún criterio en absoluto. Hay reglas que producen una VARIABILIDAD de "bondad" que cambia a medida que se mueve la ventana. y es muy posible que esta regla pase de "buena" a "mala" a medida que se mueve la ventana. Esta variabilidad viene determinada por un valor que divide la probabilidad de predicción en clases.
Normalmente en los algoritmos de MO, la división en clases se hace dividiendo la probabilidad de predicción de la clase por la mitad, pero esto es completamente incorrecto. Considero que el valor de la división en clases nunca es 0,5: este valor varía y depende del predictor concreto.
Ahora volvamos a sus árboles "buenos".
Si ha seleccionado árboles cuya "Bondad" se encuentra cerca del umbral que se mueve. Por eso he argumentado más arriba que sus árboles "buenos" seleccionados pueden convertirse fácilmente en árboles malos.
Es un callejón sin salida.
Tú mismo haces hipótesis sobre lo que creo que pienso y las contradices. Intenta hacer preguntas al principio.
Callejón sin salida o no, he mostrado resultados reales. Demuestre lo mismo con un bosque que el 50% de las hojas clasifican provechosamente 3 clases, dos años después del entrenamiento. Que yo recuerde - usted tiene un concepto de reentrenamiento regular de los modelos, casi una vez a la semana.
No necesito explicar acerca de la deriva - He creado un hilo separado en el foro, donde los intentos de resolver el problema se están llevando a cabo - que desea compartir ideas - unirse.
Así que el método es prometedor, pero hay algo que mejorar y desarrollar.
Bueno, todavía no sé cómo implementar la maximización de beneficios en el mismo bousting, por ejemplo.
Estoy haciendo algo, por supuesto, pero me gustaría escuchar otras opiniones informativas sobre el tema.
Bueno, te mostré cómo entrenar forrest en la maximización de beneficios.
Se trata de un simple aprendizaje sin gradiente a través de una función de fitness, esencialmente RL.
He tirado el código aquí, pero este método no es muy eficaz para tareas grandes.
Para tareas grandes necesitamos convertir el aprendizaje sin gradiente en aprendizaje con gradiente, es decir, en una inmersión típica RL.
Mira la primera mitad de este video, te dice como entrenarlo.
Hay un ejemplo con neuronas, pero no es importante si es un boost u otra cosa.
La precisión funciona bien con clases equilibradas. He probado todas las métricas estándar, casi no hay diferencia en los resultados. La maximización de beneficios se implementa a través del margen de beneficio con operaciones de máxima rentabilidad, ¿no?)
1) los costes comerciales no se tienen en cuenta a través de la clasificación, la marca de clase puede mostrar que es necesario vender, pero puede ser económicamente más rentable seguir comprando,
la maximización de beneficios tiene esto en cuenta.
2) lo mismo ocurre con la volatilidad.
3) no está claro cómo aplicar los tres estados comprar, vender, no hacer nada, no en el contexto de las tres clases, sino sólo sobre el comercio.
4) no está claro cómo gestionar stops/teaks vía MO a través de la clasificación
.....
..
..
La precisión funciona bien con clases equilibradas. Probadas todas las métricas estándar, casi no hay diferencia en los resultados.
Aún así, son valores diferentes. Supongamos por simplicidad que take profit = stop loss = 1 y spread = 0. En cada operación entramos o no - por simplicidad, el sistema es sólo para compras (para ventas dejemos un modelo diferente).
Exactitud = (Verdaderos positivos + Verdaderos negativos)/ (Verdaderos positivos + Verdaderos negativos + Falsos positivos + Falsos negativos)
Total_ganancias = Verdaderos positivos - Falsos positivos
La exactitud parece ajustarse a los requisitos del método de división en el árbol, pero el beneficio parece que no.
La maximización del beneficio se implementa a través del margen de beneficio con operaciones de máxima rentabilidad, ¿no es así?)
Para simplificar, todas las operaciones dan el mismo beneficio o pérdida (1 o -1)