L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3275

 
Maxim Dmitrievsky #:

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.

Ensemble Strategies [Reduce Overfitting By Combining Strategies]
Ensemble Strategies [Reduce Overfitting By Combining Strategies]
  • 2018.11.20
  • Build Alpha
  • buildalpha.wordpress.com
What is an Ensemble Strategy or Method? “In statistics and machine learning, ensemble methods use multiple learning algorithms (trading strategies in our case) to obtain better predictive performance than could be obtained from any of the constituent (individual strategies) learning algorithms.” A simpler example would be to think of it as a...
 
mytarmailS #:
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"

 
Maxim Kuznetsov #:

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%.

 
 

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.

 
Lorarica statistique mathématique, des méthodes numériques, de l'analyse mathématique, des méthodes d'optimisation, de la théorie des probabilités, de la théorie des graphes et de diverses techniques de travail avec des données sous forme numérique.

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

 
mytarmailS #:

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

R2: 0.9849988744314404
Learn 1 model
R2: 0.9689143064621495
Learn 2 model
R2: 0.987424656181599
Learn 3 model
R2: 0.9439690206389704
Learn 4 model
R2: 0.9814487072270343
Learn 5 model
R2: 0.9636828703372952
Learn 6 model
R2: 0.986048862779979
Learn 7 model
R2: 0.960923469755229
Learn 8 model
R2: 0.9734744911894477
Learn 9 model
R2: 0.983760998020949
Learn 10 model
R2: 0.970035929265801
Learn 11 model
R2: 0.9888147318560191
Learn 12 model
R2: 0.9724422982608569
Learn 13 model
R2: 0.9554046278458146
Learn 14 model
R2: 0.9664401507673384
Learn 15 model
R2: 0.9806752105871513
Learn 16 model
R2: 0.977769556127485
Learn 17 model
R2: 0.9760342284284887
Learn 18 model
R2: 0.9769043647488534
Learn 19 model
R2: 0.9741849376008709
Learn 20 model
R2: 0.9740162061450146
Learn 21 model
R2: 0.919817531536493
Learn 22 model
R2: 0.9788269230776873
Learn 23 model
R2: 0.9579249703828974
Learn 24 model
R2: 0.9612684327278544
>>> o[0].mean()
0.9706082542553089
>>> o[0].std()
0.015284036641045055
 
Lorarica #:
Il ne s'agit pas d'une définition, ni d'un ensemble complet de propriétés.
Une définition doit répondre clairement à la question de savoir ce que c'est.

Ce que vous avez, c'est juste un tas de mots trouvés sur internet avec l'étiquette MO.
 
Maxim Dmitrievsky #:

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.

En gros, c'est comme ça... c'est comme ça ?

Qu'est-ce que o[0] ?