L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 376
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Trouvé dans ALGLIB formation d'arrêt précoce avec section de validation :
Il me semble que quelque chose ne va pas, parce que dans une négociation réelle, les barres vont aller dans leur propre ordre, et ne pas être mélangées avec celles d'il y a une heure et un jour.
Et si la "nature" du marché change, cela signifie qu'il faut réapprendre ou chercher de nouveaux modèles NS.
Avez-vous plus de 500 liens dans votre grille ? Ils disent que L-BFGS est moins efficace que L-M s'il y a peu de neurones.
Avez-vous plus de 500 connexions dans votre réseau ? Ils écrivent que L-BFGS est moins efficace que L-M s'il y a peu de neurones.
Moins jusqu'à présent, pour gagner du temps - phase de développement, quand j'aurai fini, je travaillerai dur pour trouver des prédicteurs et des diagrammes de réseau.
Tu pourrais peut-être écrire un article quand tu auras tout compris ? :) Pas de bons articles sur le réseau neuronal algibien, il y en a un qui a été traduit et qui est difficile à digérer.
Une sorte de description de NS (parce que je n'ai même pas pu trouver une aide appropriée pour alglib) et un exemple d'apprentissage/de réapprentissage, d'auto-optimisation dans le robot. C'est juste moi, je viens de remarquer qu'il n'y a pas assez d'informations à étudier. C'est comme si tu payais pour ça, tu ne passes pas ton temps en vain.
Pourquoi n'écrivez-vous pas un article quand vous aurez tout compris ? :) Il n'y a pas de bons articles sur la neuronique d'Alglib, il y en a un traduit difficilement compréhensible.
Une sorte de description de NS (parce que je n'ai même pas pu trouver une aide appropriée pour Alglib) et un exemple d'apprentissage/de réapprentissage, d'auto-optimisation dans le robot. C'est juste moi, je viens de remarquer qu'il n'y a pas assez d'informations à étudier. Pour ce type de payer plus) passer votre temps pas en vain.
J'ai pris https://www.mql5.com/ru/articles/2279 comme base. Je l'ai remis en état de marche dans les 8 heures. Je pense que la plupart des programmeurs ne prendront pas plus de temps.
Mais cela a été une semaine de remaniement, d'ajout d'options, de tests, etc.
Je ne pense pas - je n'aurai pas le temps pour un article 100% du temps... D'ailleurs, je commence tout juste à comprendre les NS moi-même, donc je ne peux rien dire d'intelligent/nouveau.
J'ai pris https://www.mql5.com/ru/articles/2279 comme base. Je l'ai remis en état de marche dans les 8 heures. Je pense que la plupart des programmeurs ne prendront pas plus de temps.
Mais il a fallu une semaine de travail, d'ajout d'options supplémentaires, de tests, etc.
Je me tourne toujours vers le classificateur bayésien + la génétique, les résultats ne sont pas mauvais. Avec les grilles, c'est un peu confus dans ma tête, beaucoup de nuances.
Oui, je parle du même article, il ne m'a pas semblé très acceptable, bien que je sois plus un trader qu'un programmeur).
Formation à l'arrêt précoce sur des données non mixtes :
On a l'impression qu'il y avait un ajustement de l'intrigue de validation. Le test est bon, mais il n'était pas en formation et n'a pas été comparé, probablement juste une coïncidence.
En mélangeant, l'erreur est égalisée sur les sections de formation et de validation.Le même fay compte les ensembles, et il y a une division en 2/3 et tout est mélangé entre les deux parcelles, je vais essayer de faire de même...
Je l'ai mélangé :
Et au premier test, ça a empiré.
Il semble erroné de mélanger les données et de les diviser ensuite en sections d'apprentissage et de validation, car en situation réelle, les barres suivront leur propre ordre et ne seront pas mélangées avec celles d'il y a une heure, un jour ou une semaine. De même, pour les algorithmes de validation croisée où la section de validation est au début, puis au milieu, puis à la fin.
Et si la "nature" du marché change, cela signifie que nous devons réapprendre ou chercher de nouveaux modèles NS.
Et si vous ne mélangez pas et ne validez pas à la dernière section, comment éviter de vous adapter à cette section ?
4 parcelles s'en sortent ? Formation/validation/test1/test2 ?
Combien de cycles de formation/validation devez-vous effectuer ? Je n'ai vu aucune information à ce sujet sur le site ..... 1 cycle au total ? - et juste après, nous approuvons ou modifions quelque chose dans l'ensemble des prédicteurs ou dans le schéma du réseau ? Plus précisément, dans N cycles d'entraînement, on nous montrera un seul meilleur.
La section test2 est un verdict : pas de correspondance, alors on recommence, de préférence avec un ensemble de prédicteurs
PS.
D'ailleurs, il y a aussi un testeur, le verdict final du TS.
Ce qui reste flou, c'est la situation concernant le mélange des résultats :
Apprentissage d'arrêt précoce sur des données non intermittentes :
On a l'impression qu'il y avait un ajustement de l'intrigue de validation. Le test est bon, mais il n'était pas en formation et n'a pas été comparé, probablement juste une coïncidence.
En raison du mélange, l'erreur est égalisée sur les sections de formation et de validation.Le même fay compte les ensembles, et il y a une division en 2/3 et tout est mélangé entre les deux parcelles, je vais essayer de faire de même...
Je l'ai mélangé :
Et au premier test, ça a empiré.
Il semble erroné de mélanger les données et de les diviser ensuite en sections d'apprentissage et de validation, car dans les transactions réelles, les barres suivront leur propre ordre, et ne seront pas mélangées avec celles d'il y a une heure, un jour ou une semaine. De même, pour les algorithmes de validation croisée où la section de validation est au début, puis au milieu, puis à la fin.
Et si la "nature" du marché change, cela signifie que nous devons réapprendre ou chercher de nouveaux modèles NS.
Et si vous ne mélangez pas et validez à la dernière section, alors comment éviter de vous adapter à cette section ?
1. Si j'ai bien compris, vous ne formez rien du tout - juste un résultat aléatoire sur des prédicteurs qui n'ont rien à voir avec la variable cible.
2. Remuer.
Je ne sais pas NS.
Mais dans de très nombreux autres algorithmes de MO, l'apprentissage se fait sur une seule ligne. La valeur unique de chaque prédicteur est prise et la variable cible lui est affectée. Par conséquent, le brassage n'est pas pertinent. Il existe des algorithmes MO qui prennent en compte les voisins.
Mais de toute façon nos points de vue coïncident et initialement je fais toujours les tests sur test2 sans remaniement.
PS.
Encore une fois.
Si l'erreur sur deux échantillons différents est différente de la vôtre - cela signifie que votre système est sans espoir, à jeter.
En errant dans le cloaque sans fond appelé Internet, je suis tombé sur ce morceau de papier.
Artificial Neural Networks architectures for stock price prediction:comparisons and applicationsEn d'autres termes - Architecture NS pour la prédiction des actions - comparaison et application
La situation concernant le mélange des résultats n'est pas claire :
Il me semble que c'est une erreur de mélanger les données et de les diviser ensuite en deux parties, l'une pour l'entraînement et l'autre pour la validation. En effet, dans une transaction réelle, les barres seront placées dans leur propre ordre, et non mélangées avec celles d'il y a une heure, un jour ou une semaine. De même, pour les algorithmes de validation croisée où la section de validation est au début, puis au milieu, puis à la fin.Et si la "nature" du marché change, cela signifie que nous devons réapprendre ou chercher de nouveaux modèles NS.
Et si vous ne mélangez pas et ne validez pas à la dernière section, comment éviter de vous adapter à cette section ?
Après la division en train/test/valide , mélangez le train. Ne pas mélanger le reste des ensembles.
Ceci est valable pour la classification par les réseaux neuronaux. De plus, lors de la formation de réseaux neuronaux profonds, il faut mélanger chaque minilang avant d'alimenter le réseau neuronal.
Bonne chance