L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3275
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
pour une raison quelconque, vous pensez que votre hobby est le plus fascinant.
Vous avez raison.
Chacun son métier.
Mais je m'intéresse aussi à moi.
Mais pourquoi marcherais-je sur le même râteau ?
Je sentirai le résultat positif de la recherche ici, et je rejoindrai volontiers les experts établis dans ce domaine.
Cependant, les erreurs de pensée sont visibles à l'œil nu.
Je voudrais que vous preniez la bonne direction pour atteindre le résultat escompté en peu de temps.
à propos des ansables de stratégies
https://buildalpha.wordpress.com/2018/11/20/buildalpha-ensemble-strategies-reduce-overfitting-by-combining-strategies/
----------------------------------------
Tout ce dont vous avez besoin, c'est d'une métrique de recyclage des stratégies pour savoir si une stratégie fonctionnera sur de nouvelles données ou non, tout le reste est résoluble....
----------------------------------------
L'idée est de prendre plusieurs approches pour détecter le surentraînement, la mienne est basée sur auto.arima, Prado "PBO". Quelque chose d'autre est possible, ajouter comme prédicteurs et apprendre à AMO à prédire la probabilité de surentraînement et en faire une métrique.
Autre possibilité.
la métrique de recyclage des stratégies pour savoir si une stratégie fonctionnera sur de nouvelles données ou non.
une autre variante du mot graal ? :-) "pour savoir si elle fonctionnera dans le futur"
une autre variante de la formulation du mot graal ? :-) "pour savoir si cela fonctionnera dans le futur"
Je ne suis pas précis, nous avons besoin d'une probabilité honnête, par exemple - fonctionnera sur de nouvelles données avec une probabilité de 69%.
sur le p-hacking et les stratégies
https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/
Si vous le permettez, j'aimerais contribuer à un sujet aussi intéressant et important.
L'apprentissage automatique est une classe de méthodes d'intelligence artificielle dont la caractéristique est de ne pas apporter de solution directe à un problème, mais d'apprendre en appliquant des solutions à un ensemble de problèmes similaires. Pour construire ces méthodes, on utilise des outils de statistiques mathématiques, des méthodes numériques, des analyses mathématiques, des méthodes d'optimisation, la théorie des probabilités, la théorie des graphes et diverses techniques pour travailler avec des données sous forme numérique.
P.Z.
P.Z.
la chose la plus importante ici est de ne pas écrire beaucoup de mots, déjà si fatigué de chercher que 1-2 phrases ne seront pas lues
sur le p-hacking et les stratégies
https://mathinvestor.org/2019/04/p-hacking-and-backtest-overfitting/
L'optimisation ou l'apprentissage d'une stratégie devrait donc ressembler à ceci :
où le score moyen est l'analogue du résultat obtenu en utilisant la validation croisée
L'optimisation d'une stratégie ou d'une formation devrait donc ressembler à ceci :
où le score moyen est l'analogue du résultat obtenu lors de la validation croisée.