L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2585
![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
Intéressant, mais on ne sait pas trop par où commencer. Les pertes doivent être fondées sur certaines notions relatives aux modèles de marché. Eh bien, par exemple, on peut faire des corrections sur la volatilité.
Je pense qu'il faut commencer assez simplement - classification par régression logistique en deux classes (entrée/sortie) et avec un petit nombre d'attributs. Juste pour voir pourquoi le sujet n'est pas très populaire.
Des métriques personnalisées sont utilisées pour sélectionner les modèles, mais l'apprentissage se fait toujours par des métriques standard (logloss pour la classification, par exemple). Parce que vos mesures ne sont pas liées à la relation caractéristique/cible, alors que les mesures standard le sont. Et ici, il n'est pas clair s'il faut ensuite sélectionner les modèles par le ratio de Sharpe ou R2, ou arrêter immédiatement l'apprentissage lorsqu'ils sont maximisés. Vous pourriez probablement le faire dans les deux sens.
Une idée complètement fausse, je suis un peu gêné pour vous...
Néanmoins, il serait intéressant d'expérimenter la suppression totale des métriques standard et de les remplacer par des métriques similaires à celles utilisées dans l'optimisation de metatrader). Je devrais probablement passer à un niveau inférieur et travailler directement avec les paquets d'optimisation.
C'est ce que je vous dis depuis plus de six mois, il est préférable d'entraîner l'AMO par la FONCTION FITNESS !
Un délire total, je suis un peu gêné pour toi...
Vous venez d'exprimer la honte des Japonais pour l'ensemble de la communauté mondiale. ) Il existe un large ensemble de métriques personnalisées, mais la formation principale consiste à minimiser le logloss. Arrêter l'apprentissage par des personnes personnalisées le fait. L'assortiment de la base avec les pièces personnalisées est parfait, il n'y a pas de raison de s'en inquiéter. Etudiant, étudiant.
Je suis un étudiant de toujours.
Étudiant, étudiant à vie
Logloss montre la quantité d'information mutuelle entre les traits et la cible, d'après ce que je comprends. Il s'agit de la valeur f la plus objective, sans décrire le type de dépendance. Le modèle est formé pour minimiser la perte de ces informations, en particulier le boosting fonctionne de cette façon.
Exemple...
Il existe un cadre de données de caractéristiques "X".
Il existe un modèle "M"
Il y a 5 séries temporelles "tc5".
La tâche est.
Le modèle "M" prend "X" comme entrée (tout est comme d'habitude).
et "M" sort deux vecteurs qui devraient être
1) maximalement stacionaire
2) ne pas corréler avec tous les vecteurs "Мc5" autant que possible
Vous n'avez pas un ciblage sous sa forme habituelle, vous avez des exigences pour les sorties du modèle...
Nous ne prévoyons pas les prix, les zz, les retours, etc.
Comment allez-vous résoudre ce problème avec votre Boost ?
exemple...
Il existe un cadre de données de caractéristiques "X".
Il y a un motif "M"
Il y a 5 séries temporelles "tc5".
La tâche est.
Le modèle "M" prend "X" comme entrée (tout est comme d'habitude).
et "M" sort deux vecteurs qui devraient être
1) maximalement stacionaire
2) ne sont pas en corrélation avec tous les vecteurs "Мc5".
Vous n'avez pas un ciblage sous sa forme habituelle, vous avez des exigences pour les sorties du modèle...
Nous ne prévoyons pas les prix, les zz, les retours, etc.
Comment allez-vous résoudre un tel problème avec votre Boost ?
En énumérant les cibles, la tâche est opposée
1) vous enseignez le modèle des millions de fois et voyez ce qui se passe ?
Oui, bien, la cible prend du plafond, ou f-u. Vous faites l'entraînement à l'envers, d'après ce que je comprends de la description. Quel est son avantage par rapport au modèle classique ? Il faut répondre à cette question.
))))
Je suis sorti)