Discusión sobre el artículo "Aplicación de la selección de características localizadas en Python y MQL5"
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
Artículo publicado Aplicación de la selección de características localizadas en Python y MQL5:
En el análisis del mercado financiero, los indicadores suelen mostrar una eficacia variable a medida que cambian las condiciones subyacentes. Por ejemplo, la volatilidad fluctuante puede hacer que indicadores que antes eran confiables se vuelvan ineficaces a medida que cambian los regímenes del mercado. Esta variabilidad explica la proliferación de indicadores utilizados por los traders, ya que ningún indicador por sí solo puede tener un buen desempeño consistente en todas las condiciones del mercado. Desde una perspectiva de aprendizaje automático, esto requiere una técnica de selección de características flexible que pueda adaptarse a ese comportamiento dinámico.
Muchos algoritmos de selección de características comunes priorizan las características que muestran poder predictivo en todo el espacio de características. Estas características suelen ser favorecidas incluso cuando sus relaciones con la variable objetivo no son lineales o están influenciadas por otras características. Sin embargo, este sesgo global puede ser problemático, ya que los modelos no lineales modernos pueden extraer información valiosa de características con fuertes capacidades predictivas locales o cuyas relaciones con la variable objetivo cambian dentro de regiones específicas del espacio de características.
En este artículo, exploramos un algoritmo de selección de características introducido en el artículo 'Local Feature Selection for Data Classification' de Narges Armanfard, James P. Reilly y Majid Komeili. Este método tiene como objetivo identificar características predictivas que a menudo se pasan por alto en las técnicas de selección tradicionales debido a su utilidad global limitada. Comenzaremos con una descripción general del algoritmo, seguido de su implementación en Python para crear modelos de clasificadores adecuados para exportar a MetaTrader 5.
Autor: Francis Dube