L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1228
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
alors il y aura peu d'exemples, et sur les nouvelles données ns deviendront aveugles perdus, elle a besoin de "voir" dans sa vie autant que possible
en option ....
1) Créer un "trade idéal" avec des transactions marquées, trade+commission, l'option la plus rentable qui soit... Nous obtiendrons quelque chose comme un zigzag avec des transactions sur les sommets et les creux...
2) Formez les actions de ce commerce idéal
3) Enseigner le modèle. L'objectif de la formation est d'atteindre une corrélation maximale (actions du modèle + commission) avec (actions idéalisées), la qualité de ces modèles peut être exprimée par une valeur numérique, la corrélation kf.
De cette manière, le modèle pourra s'adapter aux données de manière aussi fluide et précise que possible.
Et bien sûr, nous ne devons pas oublier les OOS dans la formation.
ps. Tout ce que j'ai écrit est de la pure théorie.
en option ....
1) Créez un "trade idéal" avec des trades marqués, trade+commission, l'option la plus rentable que vous puissiez avoir... Ce sera comme un zigzag avec des trades sur les hauts et les bas...
2) Formez les actions de ce commerce idéal
3) Enseigner le modèle. L'objectif de la formation est d'atteindre une corrélation maximale (actions du modèle + commission) avec (actions idéalisées), la qualité de ces modèles peut être exprimée par une valeur numérique, la corrélation kf.
De cette manière, le modèle pourra s'adapter aux données de manière aussi fluide et précise que possible.
Et bien sûr, nous ne devons pas oublier les OOS dans la formation.
ps. Tout ce que j'ai écrit est de la pure théorie.
C'est essentiellement ce qui se passe, mais vous pouvez varier le degré d'"équité idéale", car plus elle est idéale, plus le surentraînement est important.
erreur sur le plateau : 0, sur l'oos : 0.4.
Un trade "idéal", incluant les OOS (à l'intérieur), montre des trades perdants de seulement 15%, ce qui correspond au montant des OOS (ici - 20%). Il n'est pas difficile de deviner ce qui va se passer avec les nouvelles données.
C'est essentiellement ce qui se fait, mais vous pouvez varier le degré d'"équité parfaite", car plus elle est parfaite, plus le surentraînement est important.
erreur sur le plateau : 0, sur AOS : 0.4.
Un trade "idéal", incluant les OOS (à l'intérieur), montre des trades perdants de seulement 15%, ce qui correspond au montant des OOS (ici - 20%). Il n'est pas difficile de deviner ce qui va se passer avec les nouvelles données.
le problème réside probablement dans la modifiabilité des propriétés du prédicteur, je ne vois pas d'autres variantes (
alors le problème est probablement la variabilité des propriétés du prédicteur, je ne vois pas d'autres options(
la variabilité par rapport aux objectifs
Je voulais montrer par là que la formation d'entrées "parfaites" est une approche tordue, qui plus est en assignant à toutes les sorties les mêmes probabilités...
la variabilité par rapport à l'objectif
Je voulais montrer que la formation d'entrées "idéales" est une approche tordue, notamment pour attribuer à toutes les sorties les mêmes probabilités
Le début d'oos semble bien...
Avez-vous essayé de ré-entraîner toutes les n barres ?
Le début de l'oos semble correct...
Je n'ai pas essayé de me recycler complètement à chaque barre.
c'est juste un exemple, il y a des moyens de lisser la différence, pas très efficace, mais il y a
Qu'est-ce que vous cherchez, ce n'est pas le début ;) j'ai déjà enregistré des captures d'écran d'à peu près le même avant et arrière.
intéressé par le sujet d'étude que j'ai décrit plus tôt. mais puisque personne ne s'est fait la main, je vais le faire.
Ce n'est qu'un exemple, il existe des moyens de lisser la différence, pas très efficaces mais il y en a.
Qu'est-ce que vous cherchez il n'y a pas le début )) déjà jeté des captures d'écran où à peu près le même avant et arrière
j'aimerais faire des recherches sur le sujet que j'ai décrit plus tôt. mais comme personne ne l'a fait, je vais le faire moi-même.
pour moi, ce sera la même chose qu'avec la probabilité de gagner/perdre, vous pouvez apprendre quelque chose mais avec de nouvelles données, ce sera proche du hasard
ce sera la même chose que la probabilité de gagner/perdre, elle peut apprendre quelque chose, mais sur les nouvelles données, elle sera proche du hasard.
Voyons voir, je n'arrive pas à imaginer ce processus dans mon esprit.
Nous verrons, je n'arrive pas à imaginer ce processus dans mon esprit.
mais essayez avec un recyclage constant, c'est plus prometteur imho
mais essayez avec un recyclage constant, c'est plus prometteur imho
Vous pensez que je ne l'ai pas essayé ? L'optimiseur virtuel est depuis longtemps disponible en 2 variantes : le réentraînement complet et la correction bayésienne.
Tout cela n'a aucun sens, tant que vous ne l'aurez pas essayé, vous ne le comprendrez pas. Cela ne fonctionnera que lorsque le problème principal sera résolu.
parce que je l'ai vérifié sur toutes les fonctions de la matrice, l'équité est très élevée presque partout.
réseaux neuronaux x...ti, arrêts précoces, arrêts tardifs, bogues x...i, ensembles x..., validations croisées