Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3174
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
La necesidad de dividir en tren/prueba/examen no la entiendo.
Por favor, acláreme qué sentido tienen estos intervalos.
Por el momento me estoy imaginando un esquema de este tipo en ellos.
El primer punto parece extraño. A la "prueba hacia adelante" en el probador. ¿Es mejor que sólo la optimización sin filtrado, pero en un intervalo combinado: tren + prueba?
No practico ese tipo de autoengaño. Es la única forma en que lo hago.
Estás haciendo lo mismo que he descrito, vuelve a leer con más atención.
Foro sobre trading, sistemas automatizados de trading y testeo de estrategias de trading
Aprendizaje automático en el trading: teoría, modelos, práctica y algo-trading
mytarmailS, 2023.08.16 13:23
Imagine que usted tiene sólo 1000 variantes de TS, en general.
sus pasos 1 y 2
1) Empiezas a optimizar/buscar una buena TS, esto es traine data (ajuste/búsqueda/optimización).
Digamos que has encontrado 300 variantes en las que la TS gana dinero...
2) Ahora usted está buscando un TC de estas 300 variantes que pasará OOS es datos de prueba. Has encontrado digamos 10 CTs que ganan tanto en el traine como en el test ( OOS ).
No hago el segundo paso.
No hago el segundo paso.
Tu segundo paso que "no haces" ))
¿Cuál es la diferencia?
1. No entendí bien la pregunta. El OOS izquierdo es un año. ¿Hay que hacer zoom en el pasado?
2. Supongo que una indicación de que no hay errores en el código es que el código hace exactamente lo que se pretendía antes de la programación. En ese sentido, todo está bien.
Y en el caso general, una CT con errores en el código sigue siendo una CT. Sólo que no es exactamente lo que el autor pretendía originalmente.
1. 1. Sí.
2. Sí.
Si una ciruela aguda es siempre justo después del entrenamiento, entonces el comercio hacia atrás y eso es todo (pero este es un escenario muy extraño y es difícil de explicar las razones). Pero, por supuesto, es probable que la ciruela inmediatamente después de la formación no siempre sucede (por casualidad), entonces esto indica una débil capacidad de predicción del modelo.
Afirmaciones muy categóricas sin un mínimo de duda. Hice un post sobre el tema de la ubicación de la OOC.
No es la primera vez que encuentro antipatía por el probador. No sé qué tiene de malo la trituradora de números.
No entiendo cómo se puede mirar hacia delante cuando se optimiza.
Sobre la metodología. No entiendo la necesidad de dividir en entrenar/test/examen. Afirmar, incluso con el estudio estadístico más favorable, que el CT NO está sobreentrenado parece demasiado creerse uno mismo.
Lo máximo a lo que puedo llegar en una conclusión es "es probable que el CT haya encontrado algún patrón que estaba presente algún tiempo antes y después del intervalo de entrenamiento". Al mismo tiempo, no hay garantía de que este patrón no se haya roto ya."
Mi alta categorización se basa en el enfoque descrito, que es estándar en MO. Todavía no he mencionado la validación cruzada a lo descrito. Este es el enfoque profesional para analizar los mercados en IO.
Lo que describes es un nivel amateur, de AT, donde es imposible justificar conclusiones con estadísticas. Debido a esto la estadística es sustituida por el tester, que en su base NO está relacionado con la estadística.
Si entiendes esto, puedes y debes usar un tester SOLO después de los cálculos preliminares, cuyas conclusiones se basan en la estadística.
Esta es la razón por la que el enfoque que he descrito de preparar los datos en bruto va más allá del probador y es DEFINITIVAMENTE una garantía de sobreentrenamiento y de mirar hacia adelante. Compara las pruebas secuenciales y las pruebas sobre datos mezclados.
El hecho de que no entiendas cómo el OOS de la izquierda puede ser consecuencia de mirar hacia delante NO significa que no lo sea. Viendo la imagen, es altamente sospechoso. Por ejemplo, es muy probable que el algoritmo está pescando algo en el futuro para OOS segmento que da la misma imagen bonita como el OOS. Tan pronto como se mueve hacia el futuro con respecto al segmento de prueba, es un fastidio inmediato.
Conclusión.
La imagen donde la ciruela a la derecha de la prueba es evidencia de sobreentrenamiento y / o mirando hacia adelante.
Por separado sobre el probador.
El comprobador dispone de un gráfico de optimización en forma de "superficie bidimensional".
Puede utilizarse para controlar el sobreentrenamiento.
Si en esta superficie se puede identificar un trozo en el que una celda está rodeada por otras celdas de aproximadamente el mismo color, entonces esta celda central dará los parámetros del CT NO sobreentrenado. Tal posición corresponde al hecho de que el óptimo encontrado representa una meseta.
Sin embargo, si la "superficie" se parece a la piel de un leopardo, la ST no tiene remedio, porque el probador ha encontrado un gran número de máximos, lo que indica una probabilidad extremadamente baja de alcanzarlos en el futuro.
Unareferencia para los aficionados a los modelos de mercado en general.
Puede utilizarse para controlar el sobreentrenamiento.
Si en esta superficie es posible identificar un trozo en el que una celda está rodeada por otras celdas de aproximadamente el mismo color, entonces esta celda central dará los parámetros del CT NO sobreentrenado. Esta posición corresponde al hecho de que el óptimo encontrado es una meseta.
Sin embargo, si la "superficie" se parece a la piel de un leopardo, la ST no tiene remedio, porque el probador ha encontrado un gran número de máximos, lo que indica una probabilidad extremadamente baja de alcanzarlos en el futuro.
No se puede.
La naturaleza del patrón (superficie) sólo nos habla de las características de la ST según un determinado criterio de optimización. Si tomamos otro criterio, el patrón será diferente. No entender esto lleva a pensar erróneamente que la optimización (aprendizaje) no debe llevarse a cabo hasta el máximo global, sino todo lo contrario. La elección de un criterio de optimización adecuado a la estrategia es la clave para un aprendizaje correcto.
Todo esto ya se ha debatido muchas veces.