Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 737
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
Esto no tiene nada que ver, sólo te dicen lo que haces mal y que no hay peces. Hay que ser más flexible y absorber la información, cambiar el paradigma, sacudir la imagen del mundo, etc.
Mira... los modelos ya han trabajado durante una semana... No les he puesto un dedo encima y pienso mantenerlos en funcionamiento una o dos semanas más... Veamos....
Y sí, están formados en no más de 40 ejemplos...... Si está bien o mal, no lo sé, pero hace un beneficio.... Que se haga bien o mal no es asunto de nadie. Lo importante es el resultado final y el punto.....
... Que se obtenga de la forma correcta o de la forma incorrecta no importa. Lo importante es el resultado final y el punto.....
Esto no se puede discutir.
La curva de equidad tiene que ser lo suficientemente larga, al menos mil operaciones y si utilizamos Sharpe Ratio en lugar de No Return, todo el mundo estará de acuerdo. 10 operaciones o incluso 100 con un beneficio inferior al drawdown no son serias para los que están rompiendo el depósito.
Creo que incluso esa variante no será inmune al azar y a la falsificación. Lo ideal es que, para probar los métodos de aprendizaje automático, se ofrezca a los operadores una herramienta sencilla y accesible que les permita generar modelos por su cuenta y probarlos a posteriori.
La curva de la equidad debe ser de nuevo lo suficientemente largo, al menos mil operaciones y si nos fijamos en el Sharpe Ratio, no no retorno, entonces todo el mundo estará de acuerdo, y si 10 operaciones o incluso 100, con un beneficio por debajo de la reducción no es grave, estos son los que "escalar el depósito".
¿De dónde salen esas cifras? 1.000 operaciones. Tienes que entender que no hay ningún grial. El mercado es demasiado volátil, y cuando veo un valor de 1000 operaciones entiendo que es la mayor aproximación a lo que no existe (el Grial) y ¿por qué no te gustan las estadísticas de 100 operaciones? He aquí un ejemplo... Sí, ya lo he publicado. El modelo se entrenó con 40 puntos y funcionó con 80. ¿Qué quieres decir con que las estadísticas de esta bola curva son pésimas? ???? ¿No hay suficientes beneficios? ¿No estás siendo un poco entusiasta con tus TCs, Toxic?????
Por no mencionar el hecho de que nos enteramos de la calidad del modelo inmediatamente después del entrenamiento y no necesitamos asignar otra mini parcela OOS para ver cómo funciona. Esto se sabe después de obtener las métricas de los modelos entrenados. Es decir, entrenamos unos cuantos modelos, calculamos sus métricas, elegimos el de mejor rendimiento y pasamos directamente a la batalla, sin retrasos.
La elección del modelo es muy sencilla. Si una variable de salida tiene un número igual de ceros y unos, la entropía de dicha variable suele ser de 0,7 si se redondea hacia arriba. Esto significa que la incertidumbre del resultado es bastante alta. El modelo mostrado en el post anterior tenía un OI de 0,87. Es la suma de los VI de los dos polinomios. Y todo esto en la parcela de entrenamiento. Fue antes de la puesta en marcha del modelo. Al obtener este valor, comprendí inmediatamente que era el correcto porque todos los demás modelos basados en el mismo archivo de entrenamiento tenían un valor de 0,7 o cercano a él. Por cierto, estos modelos en la misma parte del bucle de retroalimentación eran aproximadamente cero, así como los modelos con el resultado de 0,6 e inferior. Estos se fusionaron.
Por lo tanto, concluyo. Un modelo que funciona es un modelo cuya información mutua (IM) con respecto a la salida es mayor que la propia entropía de la salida. La incertidumbre de la salida es de 0,7 y el VI del resultado del modelo es de 0,87. Es decir, el modelo sabe más sobre la salida que la incertidumbre de la propia salida. Entonces su modelo entrenado en 40 valores funcionará mucho más tiempo que el intervalo de entrenamiento. De todos modos deduje exactamente este hecho.....
Y si la IU es superior a la unidad o ligeramente inferior en el rango de 0,95, es un claro signo de sobreentrenamiento. Manipulé los datos y reentrené el modelo a propósito. Así, todo el VI era mayor que la unidad. He aquí un dato y una reflexión para ti....
La elección del modelo es muy sencilla. Si una variable de salida tiene un número igual de ceros y unos, la entropía de dicha variable suele ser de 0,7 si se redondea hacia arriba. Esto significa que la incertidumbre del resultado es bastante alta. El modelo mostrado en el post anterior tenía un OI de 0,87. Es la suma de los VI de los dos polinomios. Y todo esto en la parcela de entrenamiento. Fue antes de la puesta en marcha del modelo. Al obtener este valor, comprendí inmediatamente que era el correcto porque todos los demás modelos basados en el mismo archivo de entrenamiento tenían un valor de 0,7 o cercano a él. Por cierto, estos modelos en la misma parte del bucle de retroalimentación eran aproximadamente cero, así como los modelos con el resultado de 0,6 e inferior. Estos se fusionaron.
Por lo tanto, concluyo. Un modelo que funciona es un modelo cuya información mutua (IM) con respecto a la salida es mayor que la entropía de la propia salida. La incertidumbre de la salida es de 0,7 y el VI del resultado del modelo es de 0,87. Es decir, el modelo sabe más sobre la salida que la incertidumbre de la propia salida. Entonces su modelo entrenado en 40 valores funcionará mucho más tiempo que el intervalo de entrenamiento. De todos modos deduje exactamente este hecho.....
Y si la IU es superior a la unidad o ligeramente inferior en el rango de 0,95, es un claro signo de sobreentrenamiento. Manipulé los datos y reentrené el modelo a propósito. Así, todo el VI era mayor que la unidad. He aquí un dato y una reflexión para ti....
Ahora todo se reduce a la salida (profesor). ¿Se trata de un beneficio, de una reducción, de un factor de beneficio o de otra cosa?
Ahora todo se reduce a la salida (profesor). ¿Se trata de un beneficio, de una reducción, de un factor de beneficio o de otra cosa?
Hago varias variables de salida por el factor de beneficio de la señal. De -40 -20 0 20 40 60 80. Esto me permite elegir un conjunto de datos que tenga el máximo número de variables importantes en la muestra máxima. Y qué salida será, incluso con un beneficio de -40 pips. Lo sé y voy a tratar de conseguir 40 puntos mejor que el cierre de la barra en la que se formó la señal... Esta es una forma de salida adaptativa. Al menos para mí....
En cuanto a la curva de equidad, debería ser lo suficientemente larga, al menos mil operaciones y si miramos el Sharpe Ratio en lugar del No Return, entonces todo el mundo estará de acuerdo. 10 operaciones o incluso 100 con un beneficio menor que un drawdown no son serias para aquellos que "escalan el depósito".
Tiene un PENSAMIENTO sobre la relación del objetivo y los predictores: la información mutua, y ese pensamiento puede anular todos los defectos de la estadística, ya que ese pensamiento ha cortado todo el ruido entre los predictores, y ese ruido es el principal mal.
Smarties, ¿tiene sentido utilizar este programa https://basegroup.ru/deductor/download para la comprensión inicial de las redes neuronales (en general me interesa encontrar patrones en series de números)? Sólo soy bastante nuevo en este negocio, y me gustaría tener un software en ruso y con la visualización de los resultados de la cuadrícula (búsqueda de soluciones).
Por favor, tenga un aspecto profesional.