Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3164
![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
No te está troleando.
Escribiste "russki", que en serbio significa "ruso".
Por eso te escribe en serbio.
Ahh))))
Interesante artículo sobre los árboles y el aprendizaje por refuerzo en ellos.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4760114/
He probado el algoritmo con datos de mercado...
El algoritmo funciona estable en los nuevos datos en comparación con Forest....
el algoritmo no se reentrena, en todas las muestras de validación el resultado es mejor que en la muestra de prueba o mucho mejor, no he visto peor....
Akurasi es en promedio 2-4% mejor que Forrest. Si Forrest tiene 0,58, RLT tiene ~ 0,62.
De todos modos, de acuerdo con las primeras pruebas, el algoritmo vale la pena, pero se necesita mucho tiempo para aprender....
Hecho en casa. Las posibilidades de experimentación son ilimitadas....
Sí. no tiene sentido discutir sobre las caseras.
¿Por qué perder el tiempo con las caseras? Hay decenas de no caseros con algoritmos que son prácticamente utilizados por millones de usuarios.....
probó el algoritmo con datos de mercado.
El algoritmo funciona de forma estable con datos nuevos en comparación con Forest.....
el algoritmo no se reentrena, en todas las muestras de validación el resultado es mejor que en la muestra de prueba o mucho mejor, no he visto nada peor....
Akurasi es en promedio 2-4% mejor que Forrest, así que si Forrest tiene 0,58, RLT tiene ~ 0,62.
De todos modos, de acuerdo con las primeras pruebas, el algoritmo vale la pena, pero se necesita mucho tiempo para aprender....
Según su teoría, se supone que hay algunos rasgos "fuertes" que funcionan bien y el problema es separarlos del resto de los "débiles". En su campo, la genética, probablemente sea así. Pero nuestra situación es obviamente diferente: los rasgos son aproximadamente iguales en fuerza, a menudo colineales, y su índice de fuerza puede cambiar con el tiempo.
En general, si sólo fuera cuestión de seleccionar rasgos informativos, San Sanych, con su método secreto, se habría hecho trillonario hace mucho tiempo).
Su teoría parte de la base de que hay algunos rasgos "fuertes" que funcionan bien y el único problema es separarlos del resto de los "débiles". En su campo, la genética, probablemente sea así. Pero nuestra situación es claramente diferente: los rasgos son aproximadamente iguales en fuerza, a menudo colineales, y su índice de fuerza puede cambiar con el tiempo.
En general, si sólo fuera cuestión de seleccionar rasgos informativos, San Sanych, con su método secreto, se habría hecho trillonario hace mucho tiempo).
Bueno, el algoritmo realmente funciona y es más estable y akurasi mejor y kappa mejor ... en otras palabras, funciona mejor ...
y funciona tanto después de 1000 nuevas observaciones como después de 20 000 ... y el error es el mismo o mejor.
los signos son casi iguales en fuerza
Bueno, y aquí no puedo estar de acuerdo.
la importancia de este algoritmo
Sí... no tiene sentido hablar de las caseras.
¿Por qué perder el tiempo con las caseras? Hay docenas de algoritmos no caseros que son prácticamente utilizados por millones de usuarios.....
No discuto paquetes, sólo ofrezco discutir ideas.
Porque puedo experimentar y hacer cosas que no están incluidas en estos algoritmos - cajas negras.
No discuto paquetes, sugiero discutir sólo ideas.
Sí... no tiene sentido hablar de las caseras.
¿Por qué perder el tiempo con las caseras? Hay docenas de algoritmos no caseros que son prácticamente utilizados por millones de usuarios.....
Últimamente veo bastantes artículos con árboles "caseros". Por regla general, no escriben árboles desde cero, sino que utilizan el paquete rpart de R. Así una cosa no interfiere con la otra (paquetes hechos por uno mismo).
No hay análogo del paquete en python, creo. Así que guardar un árbol hecho en casa en ONNX seguramente será problemático.
Últimamente veo bastantes artículos con árboles "caseros". Por regla general, no escriben árboles desde cero, sino que utilizan el paquete rpart de R. Así una cosa no interfiere con la otra (paquetes hechos por ellos mismos).
No hay un análogo del paquete en python, creo. Así que guardar un árbol hecho en casa en ONNX seguramente será problemático.
¿necesitas ONNX para los árboles ?