Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3069
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
No, no es un millón. Son 6.000 carteles. ¿Cuántos tienes en promedio? En general, CB puede moverlos fácilmente. El hecho de que los objetivos pueden cambiar - dejar que ellos. La muestra en sí no es grande - 4k filas para entrenar + volcados de prueba para la validación (entiendo que usted tiene un número fijo de árboles para cada modelo).
.
Hay que darse cuenta de que se trata de algo peculiar con sus propios trucos. No es aprendizaje ordinario.
10-20 funciones son suficientes. Cualquiera de ellos para elegir, de modo que las fórmulas pueden ser simplemente cargados en una lib listo. Para no cambiar nada. Después de leer el fichero con los precios, genero los atributos necesarios, no leo los ya hechos. Tampoco necesito un gran número de atributos dispersos. Cuantas más características, más difícil es encontrar relaciones estables.
¿No es más fácil leer de un array y trabajar con los datos calculados que escribir unas fórmulas?
No creo que se pueda cambiar el código en absoluto. No insisto en el experimento.
Sigue aprendiendo
R2: 0.9806482223765112
Aprender 2204 modelo de 3000
¿No es más fácil leer de una matriz y trabajar con los datos calculados que escribir algunas fórmulas?
Creo que no será posible no cambiar el código en absoluto. No insisto en el experimento.
No has entendido lo principal que quería decirte, prueba a ejecutar tu piplan en SB (random walk), para empezar, y quizás (seguro) tendrás resultados cercanos, ¿qué te puede decir?
8% - errores es ridiculo, en fichas y objetivos bien preparados en principio no puede pasar, estas pronosticando el pasado mezclado con el futuro y tu pronostico efectivamente busca este pasado.
SR - Ratio de Sharpe normalizado por la raíz del número de observaciones, es una medida estándar del rendimiento de la estrategia. SR es una función de akurasi, y más aún de la correlación de la rentabilidad prevista con la rentabilidad realizada, akurasi 60%+ da una SR de dos dígitos, esto es equidad exponencial suave (cuando se reinvierte).
Las fórmulas necesitan ser transferidas a la terminal. Te enviaré un bot listo. Todo lo que necesitas de mí son las características. Los nombres de los indicadores, si no se puede en las fórmulas.
Usted me puede dar los modelos binarios por separado. Entiendo que al final hay dos de ellos? Este enfoque le permitirá trabajar con cualquier dato.
¿Puedes darme los modelos binarios por separado? ¿Supongo que al final son dos? Este enfoque le permitirá trabajar con cualquier dato.
No voy a negociar. Usted me pidió que entrenar - dame las señales, voy a entrenar y probar. Si resulta ser bueno, te daré el código fuente.
Si hay signos normales, no puede haber muchos. No necesito conjuntos de datos con 6k signos, no tengo tiempo para eso.
Si no, haré otras cosas.
Veo que las pasiones se han calentado un poco en las últimas páginas. Pido a todo el mundo que escriba en función de los méritos, no para tratar de socavar al oponente.
Entiendo que cada uno piense que tiene razón, pero intentad respetar también la opinión de los demás.
Sugiero dejar las discusiones y la división por paquetes (Python/R). De todas formas, nadie va a demostrar nada a nadie.
No estoy regateando. Me has pedido que enseñe - dame las señales, enseñaré y probaré. Si resulta ser bueno, te daré el código fuente.
Si hay signos normales, no puede haber muchos. No necesito conjuntos de datos con 6k signos, no tengo tiempo para eso.
Si no, haré otras cosas.
No tengo signos en una línea - pasarás más tiempo para reproducirlos en python. Es más lógico probar la eficacia del enfoque en mis datos y luego decidir si implementar el código de cálculo del predictor o no.
Si tuviera muy "buenos" predictores, en relación con otros, no tendría prisa por ponerlos a disposición del público :) Puede hacerlo: tómeme un modelo con un resultado aceptable y de ahí saque 20 predictores por importancia (según una de las formas de su definición) en el modelo.
Además, también estoy interesado en la eficacia del método propuesto en predictores binarios - que son segmentos cuánticos de predictores, y esta tecnología no es tan rápida de reproducir, por lo que un array sería preferible - pero aquí estoy interesado en el resultado con un gran volumen de predictores.
Si algo va a ser interesante, entonces ya entonces podemos gastar tiempo y esfuerzo en entrar en la lógica de cálculo de predictores y su implementación.
No tengo características en una sola línea - pasarás más tiempo reproduciéndolas en python. Es más lógico para probar la eficacia del enfoque en mis datos, y luego decidir si implementar el código de cálculo predictor o no.
Si tuviera muy "buenos" predictores, en relación con otros, no tendría prisa por hacerlos públicos :) Puede hacerlo: tómeme un modelo con un resultado aceptable y de ahí saque 20 predictores por importancia (según una de las formas de su definición) en el modelo.
Además, también me interesa la eficacia del método propuesto en predictores binarios - que son segmentos cuánticos de predictores, y esta tecnología no es tan rápida de reproducir, por lo que sería preferible un array - pero aquí me interesa el resultado con un gran volumen de predictores.
Si algo va a ser interesante, entonces ya entonces podemos gastar tiempo y esfuerzo en entrar en la lógica de cálculo de predictores y su implementación.
Muy estirado. Pon 10-20 ejemplos de tus propios cálculos de rasgos. Puedes tener uno con diferentes periodos. Sobre las fórmulas de entrada para calcular los signos.
Un gran volumen de rasgos binarios no contará.
algunos resultados top de esos 3k modelos:
parece que se encuentran los mismos "patrones" incluso con diferentes muestreos de etiquetas. Todos los gráficos son similares. Bueno en otros chips habra otros graficos.