Volver a entrenar - página 3

 
Nikkk:

No lo olvides, lo que ocurre es que el recuerdo del sitio donde se realizó la formación se transforma en un recuerdo de los resultados de la formación de ese sitio.

Los resultados del aprendizaje son los valores específicos de las variables. Cuantas más variables, más precisas describirán desde sus campanarios indicadores las peculiaridades del gráfico histórico, es decir, más específica será la memoria de nuestro EA. El problema es que el mercado no es específico, sino diverso. Las variables a menudo no describen el mercado en absoluto, sino sólo la interacción exitosa de los indicadores con áreas específicas, pero nada más. Para que la totalidad de los indicadores adquiera propiedades predictivas, no basta con un solo entrenamiento, sino que necesitamos una interacción efectiva de los indicadores. Si lo ideal es que los indicadores estén equilibrados y se controlen entre sí y en diferentes aspectos del mercado en distintos horizontes históricos, entonces no corren el riesgo de sobreaprendizaje.
 
Aliaksandr Hryshyn:

¡¿Qué pasa si este método de picar está automatizado?! Interesantes reflexiones en este sentido. Los indicadores cambian, así como sus interacciones, las interacciones se representan como funciones separadas, resulta que el número de parámetros puede cambiar, sólo se produce la optimización más sencilla en función de ellos. Por eso me interesa la pregunta formulada en este hilo, un enfoque más universal, que no dependa de los parámetros de la estrategia. La rama que usted propone tiene objetivos completamente diferentes. Pero si demuestran la aplicabilidad de esos métodos a la tarea en cuestión, por favor, háganlo.

El probador tiene dos funciones interrelacionadas pero fundamentalmente cualitativas:

1. Verificación (depuración) de la propia idea de CT. Vemos si las entradas-salidas coinciden con nuestras ideas al respecto.

2. Selección de parámetros de la ST, en la que se fijan nuestras ideas de la ST.

Después de eso, nada puede cambiar, ya que en el caso de éxito de estas etapas, ponemos TS en el real y empezar a operar.

Y aquí la pregunta principal es: ¿el rendimiento del comercio real será el mismo que el del entrenamiento?

Aquí y en el hilo paralelo se hace esta misma pregunta.

Si obtenemos resultados diferentes en el comercio real, esto se denomina reentrenamiento, es decir, durante la creación de la TS captamos algunas particularidades en la cotierra de entrenamiento, que no vemos en el comercio real. En el hilo paralelo sostengo que el problema del reentrenamiento se resuelve únicamente con la selección correcta de una lista de datos de entrada, en el AT es un conjunto de indicadores. También sostengo que podemos determinar antes de la creación de la propia ST si el conjunto de indicadores seleccionado será útil para esta ST. Y cuando resolvamos este problema, entonces pp. 1 и 2.

 
Youri Tarshecki:
Si, en el mejor de los casos, los indicadores están equilibrados y se controlan mutuamente y los diferentes aspectos del mercado en diferentes horizontes históricos, entonces no corren el riesgo de sobreaprendizaje.
Esto es una ilusión
 
<br / translate="no">.

Si obtenemos resultados diferentes en el trading real, es lo que se llama sobreentrenamiento, es decir, que al crear el TS se recogieron algunas particularidades del cociente de entrenamiento que no se encuentran en el trading real.

Esto es más bien un subentrenamiento. -)

En mi opinión, hay que distinguir entre la propia capacidad del sistema para captar un patrón y las trampas de OPTIMIZACIÓN en las que puede caer esta capacidad. Las trampas de optimización son una noción más amplia que incluye tanto la sobreoptimización como la suboptimización, así como la inercia del propio proceso de escritura de código, el factor humano y muchas otras cosas. Pero me temo que el autor se refería al simple hecho de que los EA pierden, nada más...

En otras palabras, su pregunta debería ser "Cómo evitar las trampas de la optimización".

Aquí hay dos personas que le aconsejan: compruébelo en un avance, es decir, en una zona no optimizada, y la vida mejorará.

Y si puedes decidir ANTES de escribir el código si el indicador será útil o no, ¡es genial! En este caso no es necesario hacer pruebas. -)

 
СанСаныч Фоменко:
Esto es una ilusión.

Entonces, todos los organismos vivos son una ilusión. Así es exactamente como se construyen. Tienen memoria genética, a largo plazo y operativa, y aprenden todo el tiempo. Pero no decimos - pobre humanidad - sobreaprendida hasta el Forex).

 
Youri Tarshecki:

Pues bien, todos los organismos vivos son una ilusión. Así es exactamente como se construyen. Tienen memoria genética, a largo plazo y operativa, y aprenden todo el tiempo. Pero no decimos - pobre humanidad - sobreaprendida hasta el Forex.-)

No estoy discutiendo problemas filosóficos aquí. Si tiene algo muy específico, entonces estoy dispuesto a discutir
 
Youri Tarshecki:
El término "recalificación" en sí mismo es una tontería, diseñada para justificar la inoperancia del propio EA y carece por completo de sentido con un volking forward. El hecho de que una variable esté sobreentrenada o infraentrenada no resulta evidente a partir de la degradación. Sólo se puede ver cuando se comparan los resultados de avance bajo diferentes condiciones de optimización y prueba. Tanto la profundidad de la historia como el paso adelante se seleccionan en cada caso de forma personal y ya podemos ver qué es lo que sobre y lo que falta por entrenar.
Este término no es una estupidez, sino que está bien establecido y aprobado por los mejores criadores de perros de todo el mundo científico, incluidos los algoritmos de mercado. Sus ideas sobre la selección de la profundidad, el tono y otros parámetros "laterales" nos devuelven al antiguo problema de la calidad de su selección (y probable reciclaje). Así que, en cualquier caso, no podemos prescindir del análisis de los delanteros. Y el hecho de que es necesario analizar para diferentes secciones está claro desde el principio.
 
Youri Tarshecki:
El término "reentrenamiento" en sí mismo es una tontería, diseñada para justificar la inoperatividad del propio EA y pierde completamente su significado al volcarse hacia adelante. Si una variable está sobreaprendida o infraaprendida, de hecho, no es obvio a partir de la degradación. Sólo se puede ver cuando se comparan los resultados de avance bajo diferentes condiciones de optimización y prueba. Tanto la profundidad de la historia como el paso adelante se seleccionan en cada caso personalmente y entonces ya es visible lo que está sobre y lo que está subentrenado.

Sí. Cuando uno empieza a entender todo el asunto, se pregunta sobre la idoneidad del término "reconversión" y comprende su inadecuación. Hubo una discusión sobre este tema en el 4º foro, y había alguien más con quien discutirlo. Llegaron a la conclusión de que el término "aprendizaje de memoria" o "memorización" es más apropiado. El Asesor Experto es como un estudiante diligente que ha memorizado la lección pero no entiende nada y no puede aplicar sus conocimientos en otras condiciones.

Aquí, incluso el término es malinterpretado por algunas personas. Resulta que alguien lo entiende como un "reaprendizaje" - gracioso.

Y el hecho de que el término esté asentado en algún mundo científico no significa nada, hay muchos términos turbios pero asentados, la ciencia se compone enteramente de términos que no reflejan la realidad, cuyo verdadero significado sólo lo entiende un estrecho círculo de "dedicados".

 
СанСаныч Фоменко:

En el hilo paralelo sostengo que el problema del reentrenamiento se resuelve únicamente con la selección correcta de la lista de datos de entrada, en AT - un conjunto de indicadores. También sostengo que podemos determinar, antes de crear la propia TS, si el conjunto de indicadores seleccionado será útil para esta TS. Y cuando resolvamos este problema, entonces pp. 1 и 2.

Debes haber perdido el sentido del problema. Es una estrategia de búsqueda automática. La estrategia final puede utilizar sólo un par de indicadores seleccionados de un conjunto determinado. Puede que no sean todas las características que están disponibles. Finalmente obtenemos una estructura representada por el gráfico orientado donde se calcula la condición de entrada o salida del mercado, Take y Stop. Los elementos del gráfico son funciones, indicadores y constantes (parámetros). Cada elemento que puede formar un grafo tiene varios grupos de reglas de interacción con otros elementos del grafo, necesarios para controlar cierto "sentido" de los cálculos en el grafo.

¿Alguna idea para encontrar estrategias?

 
Stanislav Korotky:
Este término no es una tontería, sino que está bien establecido y "aprobado por los mejores criadores de perros" de todo el mundo científico, incluidos los algoritmos de mercado. Sus ideas sobre la selección de la profundidad, el tono y otros parámetros "laterales" nos devuelven al antiguo problema de la calidad de su selección (y probable reciclaje). Así que, en cualquier caso, no podemos prescindir del análisis de los delanteros. Y el hecho de que es necesario analizar para diferentes secciones está claro desde el principio.

Dígame, ¿cómo se decide si un delantero está sobreentrenado o infraentrenado? ¿El sobreentrenamiento se degrada de alguna manera diferente al subentrenamiento?

La única manera de determinar la calidad de las condiciones de entrenamiento es ver la calidad correspondiente de la prueba fuera de la muestra. Y sólo comparando los resultados se puede saber si la optimización es excesiva o insuficiente. Pero no veo ningún tema que trate sobre la suboptimización en ningún sitio. Todo el mundo, por una u otra razón, ve la raíz del problema en la mítica sobreoptimización en lugar de la calidad del código.