L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3166
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
Vous êtes tout simplement ennuyeux, gourou ! Je ne sais pas ce qu'il en est pour moi, mais vous, vous savez ce qu'il en est - regardez sur votre marché !
Vous reste-t-il autre chose qu'une perception douloureuse du monde qui vous entoure et une foi sacrée dans les paquets, ou bien la tirelire est-elle épuisée ? )
Chaque jour, je lis des articles sur des paquets dont vous ne savez rien.
Ou est-ce le jour de la marmotte ?il est temps de mettre un terme à cette entreprise épique consistant à essayer de trouver des modèles dans des données aléatoires.
Oui, il est temps de mettre fin à cette entreprise épique de recherche de modèles dans des données aléatoires.
ou il est temps d'arrêter de penser à l'inertie et de regarder sobrement les résultats.
Les résultats de l'apprentissage par le corset ne sont souvent pas mauvais
Des années 10 à 21, un corset a été trouvé avec une fraction de 30% (30% de l'histoire aléatoire de ce site a participé à l'apprentissage), les autres années généralement pure OOS.
Dans le terminal, cela ressemble à ceci
Il existe de nombreuses méthodes pour déterminer le coreset. Voici quelques-unes des méthodes les plus courantes :
Il est important de noter qu'il n'existe pas de méthode universelle pour obtenir un coreset adapté à toutes les tâches d'apprentissage automatique. Le choix de la méthode d'obtention du coreset dépend de la tâche spécifique et des ressources informatiques disponibles.
*Bard
Les résultats de l'apprentissage par le corset ne sont souvent pas mauvais
Des années 10 à 21 un corset a été trouvé avec une fraction de 30% (30% de l'histoire aléatoire de ce site a participé à l'apprentissage), les années restantes généralement pure OOS
Dans le terminal, cela ressemble à ceci
Eh bien, il y a aussi des périodes de drawdowns qui durent de six mois à un an. Êtes-vous prêt à y faire face ? Surtout si le drawdown commence dès le lancement en réel ?
Eh bien, il y a aussi des périodes de baisse qui durent de six mois à un an. Êtes-vous prêt à y faire face ? Surtout si la baisse commence immédiatement lorsque vous commencez à travailler en réel ?
En général, diversifiez.
Il vous suffit de créer un portefeuille d'instruments qui créera le plus grand facteur de récupérationCes graphiques seront rentables sur d'autres instruments. Et si la tendance générale de tous ces instruments est la même que celle du graphique présenté, la stabilité de l'investissement est garantie.
Eh bien, il y a aussi des périodes de baisse qui durent de six mois à un an. Êtes-vous prêt à y faire face ? Surtout si la baisse commence immédiatement lorsque vous commencez à travailler en réel ?
Je ne suis pas prêt à parier sur 20 ans :) il s'agit plutôt d'une étude de cas.
Je suis d'accord avec 10 ans de formation - 1 an d'OOS, d'accord.
mais il y a beaucoup de bruit, parfois le modèle rejette presque tous les échantillons comme inutiles, 3 transactions restent.
Il y a aussi des éléments de l'histoire qui ne sont jamais prédits normalement.
Dans l'ensemble, ce n'est pas une activité très gratifiante.
C'est comme si l'on faisait tourner le vieux récepteur et que l'on touchait accidentellement une onde avec du bruit.
Une fois de plus, je suis convaincu que pour faire des prévisions, il faut un modèle.
Le modèle élimine le superflu (le bruit) et laisse le nécessaire (le signal), si possible en amplifiant le nécessaire (le signal), et le modèle est plus déterministe, plus répétable dans les modèles....
à titre d'exemple.
prix haut-bas minutka.
Ensuite, nous construisons la simplification la plus simple du prix (créer un modèle).
Ensuite, nous éliminons les excès (amélioration du modèle) à l'aide d'un algorithme simple et connu de réduction de la dimensionnalité, le modèle devient plus reproductible.
et la dernière touche, peut-être décorative.
Je me demande comment le MO sera entraîné sur de telles données ?
Il s'agit d'un échantillon de test.
Avez-vous déjà vu des chiffres comme ceux-là ?
Quel est le nom exact ? Ou s'agit-il d'un produit maison ?
J'utilise différents modèles "en bois" depuis de nombreuses années et je n'ai jamais rien vu de tel.
Que voulez-vous dire par "fait maison" ? Il existe une justification théorique, un bon article. Il existe un paquetage appelé RLTv3.2.6 qui fonctionne bien. Il faut faire attention à la version.
A propos d'ONNX pour les modèles en bois en Python. Voir le paquet skl2onnx.
Modèles scikit-learn supportés. Le dernier ensemble d'options pris en charge est le 15.
Nous vous souhaitons bonne chance