Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3211
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 me interesa resolver los problemas mentales de los demás.
Te encargas de las fotos bonitas, incluso en el mercado. Así que ese es tu principal problema.
Te encargas de las fotos bonitas, incluso en el mercado. Así que ese es tu principal problema.
Por simple aritmética, la selección de características se realiza a partir de un montón de información heterogénea, a menudo irrelevante para el objeto de estudio.
Los BPs derivados están todos relacionados con este BP, sólo se puede elegir mejor/peor, a menudo no tiene ningún sentido.
No estoy hablando de curiosear, estos son algunos problemas infantiles. Evidentemente, estos chanchullos no han conducido a nada a lo largo de los años. Pero persisten en repetirlo.
Y los errores incluso dentro de la muestra porque simplemente no se pueden marcar bien las operaciones.Por simple aritmética, la selección de características se realiza a partir de un montón de información heterogénea, a menudo irrelevante para el objeto de estudio.
Los BPs derivados están todos relacionados con este BP, sólo se puede elegir mejor/peor, a menudo no tiene ningún sentido.
No estoy hablando de curiosear, estos son algunos problemas infantiles. Evidentemente, estos chanchullos no han conducido a nada a lo largo de los años. Pero persisten en repetirlo.
Y los errores incluso dentro de la muestra porque simplemente no se pueden marcar bien las operaciones.Los errores de CV no se curan por su significado, ya que se trata de una búsqueda de parámetros óptimos con minimización de errores. Si un profesor y sus predictores están falsamente correlacionados, CV encontrará necesariamente algo mejor en esta basura, pero no resolverá el problema de la basura.
El problema de la basura se resuelve mediante la "capacidad predictiva", es decir, la capacidad de los valores predictores para predecir una clase u otra. Entonces está claro que el error de clasificación viene determinado por el hecho de que los mismos valores predictores predigan una clase en unos momentos y otra clase en otros. Rattle tiene incluso imágenes sobre este tema.
La CV no cura los errores en su acepción de búsqueda de parámetros óptimos con minimización de errores. Si un profesor y sus predictores están falsamente correlacionados, CV encontrará sin duda algo mejor en esta basura, pero no resolverá el problema de la basura.
El problema de la basura se resuelve mediante la "capacidad predictiva", es decir, la capacidad de los valores predictores para predecir una clase u otra. Entonces está claro que el error de clasificación viene determinado por el hecho de que los mismos valores predictores predigan una clase en unos momentos y otra clase en otros. Rattle incluso tiene imágenes sobre este tema.
El problema mencionado anteriormente es que hay un modelo que tiene excelentes resultados en un archivo de entrenamiento y un archivo OOS. Entiendo que el fichero de entrenamiento se puede obtener incluso mediante muestreo aleatorio por muestreo, y el OOS es el residuo del fichero de entrenamiento.
Pero cuando se ejecuta el modelo en un archivo externo, el resultado es catastróficamente malo.
Creo que he mencionado el OOS unas cuantas veces recientemente. Pero allí OOS bueno era por su terminología "archivo separado".
¿Y cómo detectar mirando hacia adelante?
Si el aprendizaje multi-pass (la siguiente etapa utiliza los cálculos de la anterior), la probabilidad de "mirar hacia adelante" es alta. No hay una receta general, pero yo hice lo siguiente en un caso.
Para acelerar el cálculo, fue necesario deshacerse de los ticks innecesarios. Por ejemplo, si reduces el número de ticks 10 veces, los cálculos se acelerarán en la misma proporción. Es una acción muy demandada.
En mi caso, sabía qué ticks necesitaba y cuáles apenas necesitaba. De todos modos, construí un símbolo personalizado e inicié backtests en el personalizado y en el original.
Aquí era importante encender el nerdiness y lograr una coincidencia >99%. Resultó que estaba tirando demasiado inicialmente, y obtuve un resultado diferente (por supuesto, mejor que en el original).
Con el tiempo empecé a echar menos que en el original, y todo empezó a coincidir. Es decir, en realidad utilizo un método de dos pasadas cuando entreno.
Así que, probablemente, para detectar peeking después de la pasada anterior puedes usar la comprobación descrita arriba incluso antes de los cálculos serios. Bueno, y también existe el método del abuelo para detectar miradas adelantadas: "demasiado bueno para ser verdad". Los principiantes se alegran de los resultados geniales, mientras que los maduros se enfadan porque se dan cuenta de que tendrán que buscar su propio error durante mucho tiempo.
Los recién llegados están contentos con los geniales resultados, los maduros están disgustados, porque se dan cuenta de que tendrán que buscar sus propios errores durante mucho tiempo.
Y los profesionales los miran a ambos con lástima y condescendencia y se dicen en voz baja: ¿cuándo se os ocurrirá cambiar el concepto, no el decorado?
Y los profesionales...
No he conocido a ninguno.
No lo he hecho.
Suele pasar.
Cuántas veces puedes golpearte la cabeza contra la misma pared y qué más da que haya distinto papel pintado en la pared.
Deberías irte ya de vacaciones ))
Hay un buen libro de Samantha Kleinberg titulado "Por qué". Léelo y luego hazte esta pregunta cuando, por ejemplo, cuando dibujes otro nivel nuevo.