L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3307
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
Personne n'a donc pensé à effectuer ces tests ?
J'ai cherché )
https://www.mql5.com/ru/forum/86386/page1056#comment_8678465
Quel genre de personnes étaient-ils - Shurik, Koldun, ...)
Alexey Burnakov, Dr Trader...
une personne vaut des centaines...
Après tout, l'expression"nous avons eu une idée" implique également un certain type de processus de réflexion (itérations).
Comment le modèle final sait-il s'il s'agit d'itérations du cerveau ou de l'ordinateur et s'il y a une différence entre les deux ?
La question s'est posée après avoir lu l'article de Prado
Le fait est que l'optimum peut être trouvé en 1000 itérations ou en 100, s'il s'agit d'optimiser certains paramètres du modèle. La probabilité de le trouver augmente avec le nombre d'itérations.
J'ai dit précédemment qu'il est très important d'utiliser une estimation qui donne la valeur maximale de ce que l'on veut trouver. utiliser une estimation incorrecte revient à deviner dans le marc de café.
Alexey est tombé sur DQN et n'est pas allé plus loin, préférant écrire des histoires sur Valera. Le trader de DR est entré en contact avec Alexander, et ce dernier l'a ruiné, car le premier n'avait pas d'opinion.
Le seul personnage était Wizard, qui avait manifestement compris quelque chose, mais qui était trop nerveux et qui, lorsqu'il s'est rendu compte qu'il était sur le point d'être rattrapé, s'est enfui.
Fait révélateur, tout le monde a écrit en R, ce qui n'a servi à rien, car le R détruit l'espritLe sur-apprentissage résulte de la mémorisation de phénomènes rares. Ces phénomènes sont isolés de manière purement statistique, car il n'existe pas de modèle décrivant les causes et les effets.
Par ailleurs, une perte ne signifie pas toujours que le modèle est surentraîné.
Le fait est que l'optimum peut être trouvé pour 1000 itérations et pour 100, si nous parlons de l'optimisation de certains paramètres du modèle. avec l'augmentation du nombre d'itérations, la probabilité de le trouver augmente simplement.
J'ai dit précédemment qu'il est très important d'utiliser une estimation qui donne la valeur maximale de ce que vous voulez trouver. utiliser une estimation incorrecte revient à deviner dans le marc de café.
Vous ne comprenez même pas l'essence de ma question
Vous n'avez même pas compris l'essentiel de ma question
Je parlais d'une chose, Alexei d'une autre.
et je ne m'attendais pas à ce que ma pensée soit prise au pied de la lettre.
Imaginez que l'ensemble des paramètres dont vous avez besoin existe dans un ensemble complet de toutes les variantes. réfléchissez maintenant à ce que devrait être l'estimation, de sorte qu'à n'importe quel nombre d'itérations, il soit possible de trouver uniquement et exactement cet ensemble ? si l'ajustement augmente avec la croissance des itérations, cela signifie que ce n'est pas l'ensemble qui est mal localisé, mais que l'estimation utilisée est incorrecte.
Je parlais d'une chose, Alexei en parlait d'une autre.
Et tous deux de la mauvaise chose.
Lisez l'article, puis le problème des tests multiples, et enfin ma question.
de sorte qu'avec n'importe quel nombre d'itérations, vous pouvez trouver cet ensemble.
Chanson ancienne !
Personne n'a besoin de cet ensemble. Et l'optimisation dans le testeur recherche justement cet ensemble unique et un grand nombre d'"optimisateurs" se contentent de cet unique ensemble de paramètres sans prêter attention au "diagramme bidimensionnel", qui permet d'essayer de trouver un ensemble d'ensembles, c'est-à-dire de trouver un plateau, et non un maximum.
Et l'ensemble optimal, qui sur le diagramme bidimensionnel ressemble à une île verte parmi des carrés pâles ou blancs, indique un surentraînement, c'est-à-dire qu'une particularité, qui est très optimale, mais qui ne sera plus jamais rencontrée, est supprimée, ce qui s'appelle un surentraînement.
Et tous deux se trompent de sujet.
Lisez l'article, puis le problème des tests multiples, et enfin ma question.
Comme vous le souhaitez, je n'insiste pas.