L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3020
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
La précision fonctionne bien avec des classes équilibrées. J'ai essayé toutes les mesures standard, il n'y a pratiquement aucune différence dans les résultats. La maximisation du profit est mise en œuvre par le biais de la majoration avec des transactions maximales rentables, non ?)
1) les coûts commerciaux ne sont pas pris en compte par la classification, la marque de classe peut montrer qu'il est nécessaire de vendre, mais qu'il peut être économiquement plus rentable de continuer à acheter,
la maximisation du profit en tient compte.
2) Il en va de même pour la volatilité.
3) il n'est pas clair comment mettre en œuvre les trois états acheter, vendre, ne rien faire, non pas dans le contexte des trois classes, mais simplement en ce qui concerne le commerce.
4) il n'est pas clair comment gérer les stops/teaks via le MO à travers la classification.
.....
..
..
La précision fonctionne bien avec des classes équilibrées. J'ai essayé toutes les mesures standard, et je n'ai constaté pratiquement aucune différence dans les résultats.
Pourtant, il s'agit de valeurs différentes. Supposons pour simplifier que take profit = stop loss = 1 et spread = 0. Dans chaque transaction, nous entrons ou non - pour des raisons de simplicité, le système ne concerne que les achats (pour les ventes, laissons un modèle différent).
Précision = (Vrais positifs + Vrais négatifs)/(Vrais positifs + Vrais négatifs + Faux positifs + Faux négatifs)
Profit_total = Vrais positifs - Faux positifs
La précision semble correspondre aux exigences de la méthode de division de l'arbre, mais pas le bénéfice.
La maximisation du profit est mise en œuvre par le biais d'un balisage avec des transactions maximalement rentables, n'est-ce pas ?)
Pour simplifier, toutes les transactions donnent le même profit ou la même perte (1 ou -1).
1) les coûts commerciaux ne sont pas pris en compte par la classification, la marque de classe peut indiquer qu'il est nécessaire de prolonger, mais il peut être plus rentable économiquement de continuer à acheter,
la maximisation du profit en tient compte.
2) Il en va de même pour la volatilité.
3) il n'est pas clair comment réaliser les trois états acheter, vendre, ne rien faire, non pas dans le contexte des trois classes, mais spécifiquement en ce qui concerne le commerce
4) il n'est pas clair comment gérer les stops/teaks via le MO par le biais de la classification
.....
..
..
Il s'agit tout de même de valeurs différentes. Supposons, pour simplifier, que l'on prenne toujours take profit = stop loss = 1 et spread = 0. Dans chaque transaction, nous entrons ou non - pour simplifier, le système ne concerne que les achats (pour les ventes, laissons un modèle différent).
Précision = (Vrais positifs + Vrais négatifs)/(Vrais positifs + Vrais négatifs + Faux positifs + Faux négatifs)
Profit_total = Vrais positifs - Faux positifs
La précision semble correspondre aux exigences de la méthode de division de l'arbre, mais pas le bénéfice.
Pour simplifier, toutes les transactions donnent le même bénéfice ou la même perte (1 ou -1).
Avez-vous essayé cette approche ? (voir la section Interprétation du modèle à peu près au milieu de la page)
L'ordre de cette majoration est approximativement le suivant : vous prenez des transactions rentables avec un pas minimum, dans différentes directions, en fonction des fluctuations. Vous les passez en revue, en combinant les transactions unidirectionnelles en une seule et en comptant le nombre de pips en tenant compte des coûts. Si le nombre de pips est supérieur à deux, vous les combinez en un seul, sinon vous laissez les trades courts.
1) Même si cela fonctionne, il s'avère que pour chaque tâche il faut inventer un algorithme béquille pour l'implémenter en tant qu'objectif prêt à l'emploi ?
N'est-il pas plus facile d'écrire un FF et de dire simplement que l'AMO est bon/mauvais, et qu'il sera bon pour n'importe quelle tâche, solution universelle... ?
2) bonne cible != AMO bien formé pour cette cible.
La cible peut être bonne, mais l'algorithme ne peut pas être entraîné pour elle, donc ce n'est pas la cible qui doit être évaluée, c'est l'AMO entraîné.
Vous vous en êtes rendu compte lorsque j'ai parlé de FF, mais je vois que vous l'avez déjà oublié.
1) Même si cela fonctionne, il s'avère que pour chaque tâche il est nécessaire d'inventer un algorithme de béquille pour la mettre en œuvre en tant que cible prête à l'emploi ?
Ne serait-il pas plus facile d'écrire un FF et de dire simplement AMO - bon/mauvais, et il sera bon pour n'importe quelle tâche, solution universelle... ?
2) bonne cible != AMO bien entraînée pour cette cible.
La cible peut être bonne, mais l'algorithme ne peut pas être entraîné pour elle, et ce n'est donc pas la cible qui doit être évaluée, mais l'OMA entraînée.
Vous vous en êtes rendu compte lorsque j'ai parlé de FF, mais je vois que vous avez oublié.
Je comprends, mais vous ne vous rendez pas compte que le FF est intégré dans l'ensemble de données. Vous confondez chaud et doux, vous faites un travail supplémentaire.
Si tout était comme tu le dis, il n'y aurait pas de RL....
Et en général, c'est bien que chacun fasse à sa manière, plus d'avis - espace de recherche plus riche.....
Je ne le fais plus beaucoup, j'ai dépassé ce stade...
Si c'était comme vous le dites, il n'y aurait pas de LR en premier lieu.