Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3379

 
Andrey Dik #:

Una vez más, la función de aptitud es un método de estimación del modelo. La robustez del modelo dependerá de la función de aptitud que se elija para la estimación de la robustez.

La robustez también puede considerarse una estimación del modelo. La robustez es la evaluación de la capacidad del modelo para funcionar con nuevos datos, es decir, es la función de aptitud que hay que maximizar.

No creo que se trate de conceptos muy complejos y difíciles de comprender, por lo que resulta sorprendente la cantidad de conceptos erróneos que existen sobre este tema.

Las evaluaciones, la función de aptitud, pueden ser escalonadas, y cada escalón controla métricas distintas. Pero, por alguna razón, mucha gente percibe la función de aptitud como algo resumido, "por encima".

¿Le molesta que en respuesta a mi código de un ejemplo de una función de aptitud, y hay cientos de ellos, usted tiene un montón de palabras de nuevo?

 
Y también nadie se confunde cómo el top-3 o incluso top-1 algoritmo de optimización en el mundo, generalmente reconocido y bien conocido como PSO, tiene al final de la clasificación, y algunos no-nombres que nadie ha oído hablar de como los lobos grises, malezas, etc Tiene los líderes))).

¿Nadie no ha hecho esta pregunta? Deberíais.

 
Este es el tipo de expertos que escriben artículos como este para aportar conocimientos a las masas.

Es horrible, de verdad.
 
No tomo esta calificación como una calificación porque no está claro por quién está escrito, sólo algoritmos copiados en mql y ajustado a unas pocas funciones. Y en realidad las formas de las superficies a optimizar son muy diversas y puede haber matices.
 
mytarmailS #:
Y tampoco se confunde un algoritmo de optimización top-3 o incluso top-1 en el mundo, generalmente reconocido y conocido como PSO que tiene al final de la clasificación, y algunos nombres conocidos de los que nadie ha oído hablar como lobos grises, malas hierbas, etc. Tiene líderes)).

¿Nadie se ha planteado esta pregunta? Debería.

¿Y usted? ¿Tus patrones habituales se rompen al mirar las pruebas?

Haz tú mismo algo parecido, escribe un código en MQL5 de los algoritmos más famosos, describe y cuenta cómo funciona tu código, y luego publica los resultados de las pruebas, para que cualquiera pueda reproducir estas pruebas.

Luego hablaremos de qué preguntas debería hacer cualquiera y por qué.

Por ahora, no son más que cháchara sin fundamento.

 
Y no se necesita mucho talento para portar cualquier código optimizador de C-como jap a mql
 
Maxim Dmitrievsky #:
No tomo esta calificación como una calificación porque no está claro por quién está escrito, sólo algoritmos copiados en mql y ajustado a unas pocas funciones. Y en realidad las formas de las superficies que se optimizan son muy variadas y puede haber matices.
O los algoritmos están mal implementados o el experimento se ha realizado mal o ambas cosas.
 
mytarmailS #:
O sus algoritmos se implementaron incorrectamente, o el experimento se realizó incorrectamente, o ambas cosas.
Puede ser, pero nadie lo comprobará, porque no hay nada más que hacer.
 

En MO, la función de adecuación se utiliza para entrenar el modelo (selección de parámetros) mediante la optimización. Para evaluar el modelo resultante se utiliza una o varias métricas. A menudo, la métrica NO coincide con la función de aptitud. Desde un punto de vista matemático, esto significa que el MO resuelve un problema de optimización MULTICRITERIAL en lugar del habitual de criterio único.

Otra diferencia significativa con respecto a la optimización convencional es la frecuente ausencia de un conjunto fijo de parámetros de optimización. Incluso en el caso de un árbol regular, esto ya es así. Desde un punto de vista matemático, esto conduce a un problema de optimización en el espacio FUNCIONAL, en lugar del habitual en el espacio numérico.

Ambos puntos hacen que los problemas de MO sean irreductibles a la optimización convencional.

 
Aleksey Nikolayev #:

En MO, la función de adecuación se utiliza para entrenar el modelo (selección de parámetros) a través de la optimización. Para evaluar el modelo resultante se utiliza una o varias métricas. A menudo, la métrica NO coincide con la función de aptitud. Desde un punto de vista matemático, esto significa que el MO está resolviendo un problema de optimización MULTICRITERIAL en lugar del habitual de criterio único.

Otra diferencia significativa con respecto a la optimización convencional es la frecuente ausencia de un conjunto fijo de parámetros de optimización. Incluso en el caso de un árbol regular, esto ya es así. Desde un punto de vista matemático, esto conduce a un problema de optimización en el ESPACIO FUNCIONAL en lugar del habitual en el espacio numérico.

Ambos puntos hacen que los problemas de MO sean irreductibles a la optimización convencional.

Existe toda una clase aparte de algoritmos de optimización multicriterio. Pero, si se entienden correctamente, los multicriterios se reducen a condiciones de contorno adicionales y evaluaciones separadas.

El espacio funcional también requiere evaluación. Todo requiere siempre una evaluación.