L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2264
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
Je ne m'en souviens pas vraiment moi-même, je me rappelle que ça a changé quelque chose, mais pas tant que ça... Mais c'est une image complètement différente
parce que la croissance exponentielle dans l'échelle logarithmique ressemble à une croissance linéaire )
parce que la croissance exponentielle sur une échelle logarithmique ressemble à une croissance linéaire).
et il devrait avoir un meilleur effet de généralisation, en théorie.
Sur l'approche de la génération elle-même, une critique de ma part )
Lorsque vous créez des données et que vous passez en revue les modèles à la recherche d'un modèle qui fonctionnera sur les "nouvelles données", vous rendez-vous compte qu'il s'agit d'un ajustement ? Vous comprenez que c'est un essayage ?
Puisque ces "nouvelles données" interviennent dans le choix du modèle, ce ne sont pas des"nouvelles données"... ce n'est pas très évident mais ça l'est !
au 3ème contrôle, oui.
Pour continuer sur le même thème, .... a déterré le vieux code de vos GMMs.
J'ai trouvé 4 bons modèles qui sont sur le côté positif de "comme des données nouvelles".
Le modèle GMM a été généré sur 500 points et testé sur 15k points.
Et les voici, avec des données vraiment nouvelles (troisième échantillon)
Ce qui est intéressant, c'est que si nous inversons les signaux d'ouverture de position pour les deux derniers modèles (qui coulent), ils commencent à rapporter beaucoup d'argent avec la commission prise en compte.
Je poursuis lentement mes expériences de formation de réseaux neuronaux avec la fonction de fitness .....
J'ai trouvé cette façon de décrire la fonction de fitness : au lieu d'apprendre au réseau à maximiser le profit, j'ai essayé d'apprendre au réseau à "maximiser un beau graphique de revenus".
Qu'est-ce que "le meilleur graphique des bénéfices" ? Je le présente comme le coefficient de corrélation de la ligne d'augmentation linéaire et du graphique de la rentabilité.
J'ai obtenu cet équilibre sur les données de la piste, commission prise en compte
Coefficient de corrélation 0.9947626 est presque 1)) même sur le graphique il est visible comme une règle)
Lebleu montre l'équilibre sur un échantillon de test de 800 points de 5 min d'euros.
Et voici à quoi ressemble l'équilibre sur un échantillon test de 5 000 points.
agréable ))))
Je poursuis lentement mes expériences de formation de réseaux neuronaux avec la fonction de fitness .....
J'ai trouvé cette façon de décrire la fonction de fitness : au lieu d'apprendre au réseau à maximiser le profit, j'ai essayé d'apprendre au réseau à "maximiser un joli graphique de revenus".
Qu'est-ce que "le meilleur graphique des bénéfices" ? Je le présente comme le coefficient de corrélation de la ligne d'augmentation linéaire et du graphique de la rentabilité.
J'ai obtenu cet équilibre sur les données de la piste, commission prise en compte
Coefficient de corrélation 0.9947626 est presque 1)) même sur le graphique il est visible comme une règle)
Lebleu montre l'équilibre sur un échantillon de test de 800 points de 5 min d'euros.
Et voici à quoi ressemble l'équilibre sur un échantillon test de 5 000 points.
cool )))
Vous vous attendiez à autre chose ? )
En théorie, elle devrait avoir un meilleur effet sur la généralisation.
il ne doit rien à personne.
Vous vous attendiez à quelque chose de différent ? )
Moi, au contraire, je suis heureux, l'entraînement pour le profit maximum, par exemple, est une loterie sur le test, et ici il y a au moins un petit îlot de stabilité.
800 points sur un graphique de 5 minutes n'est pas trop peuL'inverse est plus difficile. Avec MO sur la logique. Presque impossible, vous ne pouvez qu'approximer
Une IO ne peut être brisée que par une autre IO plus forte.L'inversion du réseau est un sujet intéressant.
Mettez du bruit sur les entrées. Obtenez le spectre à la sortie. Construisez un filtre dessus.
Il s'avérera alors qu'il est possible d'obtenir des résultats similaires avec une combinaison de sacs.
Ensuite, nous en viendrons à utiliser le paquet de convolution aléatoire (j'ai oublié son nom).
Et alors la fantaisie prendra fin...
L'obscurité. L'obscurité. L'usine.
Je poursuis lentement mes expériences de formation de réseaux neuronaux avec la fonction de fitness .....
J'ai trouvé cette façon de décrire la fonction de fitness : au lieu d'apprendre au réseau à maximiser le profit, j'ai essayé d'apprendre au réseau à "maximiser un joli graphique de revenus".
Qu'est-ce que "le meilleur graphique des bénéfices" ? Je le présente comme le coefficient de corrélation de la ligne d'augmentation linéaire et du graphique de la rentabilité.
J'ai obtenu cet équilibre sur les données de la piste, commission prise en compte
Coefficient de corrélation 0.9947626 est presque 1)) même sur le graphique il est visible comme une règle)
Lebleu montre l'équilibre sur un échantillon de test de 800 points de 5 min d'euros.
Et voici à quoi ressemble l'équilibre sur un échantillon test de 5 000 points.
drôle ))))
C'est la même chose avec le trading de paires et la recherche de bons spreads mais sur oos cela s'élargit immédiatement.
Pour continuer sur le même thème, .... a déterré le vieux code de vos GMMs.
J'ai trouvé ici 4 bons modèles qui sont sur le côté plus sur "comme des données nouvelles".
Le modèle GMM a été généré sur 500 points et testé sur 15k points.
Et les voici, avec des données vraiment nouvelles (troisième échantillon)
Ce qui est intéressant, c'est que si nous inversons les signaux d'ouverture de position pour les deux derniers modèles (drainants), ils commencent à rapporter beaucoup avec la commission prise en compte.
c'est là que le modèle se termine, peu importe comment vous l'enseignez. Si vous ne connaissez pas la différence entre les deux, vous devrez peut-être utiliser d'autres exemples.