L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3124
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
wha
écrire des poèmes et des livres
se lancer.
C'est ton truc et c'est probablement plus rentable
Le modèle est biaisé. Nous devons donc le forcer à apprendre sans ce biais. Mais d'abord, nous devons trouver les coefficients de biais, disons qu'il s'agit d'une pente ou d'un terme libre (intercept), comme dans la régression. Et si nous l'entraînions de telle sorte que ce terme ne varie pas en fonction de la formation et de l'absence de formation. En gros, je cite des livres sur le kozulu.
Supposons qu'il y ait une tendance globale à la hausse pendant 3 mois. Le prix a augmenté de 7 %. En même temps, il y a des changements allant jusqu'à 2 % dans les deux directions au cours d'une journée.
Quel poids faut-il donner aux tournois H1 de la première barre, de la deuxième barre ..... ? de la 100e barre ? Et le reste des fiches. Je doute qu'il existe des formules scientifiquement (ou du moins expérimentalement) justifiées.
Donner des centaines de poids rendra la recherche d'un modèle approprié encore plus difficile. Il y a déjà beaucoup d'hyperparamètres.
Supposons qu'il y ait une tendance globale à la hausse depuis 3 mois. Le prix a augmenté de 7%. En même temps, il y a des changements jusqu'à 2% dans les deux directions par jour.
Quel poids doit-on donner aux rendements H1 de la 1ère barre, de la 2ème barre .... de la 100ème barre ? Et le reste des fiches. Je doute qu'il existe des formules scientifiquement (ou du moins expérimentalement) justifiées.
Donner des centaines de poids rendra la recherche d'un modèle approprié encore plus difficile. Il existe déjà une multitude d'hyperparamètres.
Lorsqu'il n'y a pas de certitude claire quant à la cause et à l'effet,
Plusieurs ticks prédisent déjà la direction future du prix.
Vous ne verrez pas cela sur la barre horaire ou journalière, bien sûr.
Voici une suggestion.
Et en principe, vous ne devriez pas.
Et en principe, vous ne devriez pas.
Le modèle de vente commence à s'affaisser lorsque la tendance globale (sur 1 à 1,5 an) est à la hausse. Il trouve une opportunité de gagner sur le trade, mais sur le OOS, il s'enfonce dans le drawdown.
Peut-être que la première variante avec la sélection achat|vente par un seul modèle sera meilleure. Mais si elle s'ajuste à la tendance globale, elle se dégradera au moment du changement de tendance. Et il est probable que les transactions se feront dans un seul sens pendant des années.
Le principal signe de surentraînement d'un modèle est une divergence entre TRAIN et OOS. S'il y a une telle divergence, alors tout doit être jeté, tout est vide, tout le voyage est faux.
Le principal signe de surentraînement modélisé est une divergence entre l'entraînement et l'OOS. S'il y a une telle divergence, tout doit être rejeté, tout est vide, toute la randonnée est fausse.
Informations obsolètes.
Dites-nous mieux ce que vous faites avec mahalanobis, nous ferons tourner.des informations périmées.
Dites-moi ce que vous faites avec mahalanobis, nous allons faire un tour.Information périmée ( Le principal signe derecyclage de modèle est une divergence sur traine et OOS).
Bien sûr que c'est dépassé. Je soupçonne que, si on l'applique, tout ce que vous faites devra jeter tous vos p-carrés à l'équilibre mythique.
Dites-moi mieux ce que vous faites avec mahalanobis, nous l 'essaierons.
Je ne le fais pas.
Dans R, le package fastmatrix::Mahalanobis(x, centre, cov, inverted = FALSE) compte la distance euclidienne entre les vecteurs.
Pourquoi en avons-nous besoin ?
Nous avons besoin du pouvoir prédictif du prédicteur, c'est-à-dire de sa capacité à prédire différentes classes, et dans le futur, de sorte que les fluctuations du pouvoir prédictif soient minimes, au moins à 10% près. C'est pourquoi j'utilise une approche différente. J'ai déjà publié les résultats de mes calculs.
desinformations obsolètes ( le principal signe dereconversion du modèle est une divergence entre l'entraînement et l'OOS).
Bien sûr que c'est dépassé. Je soupçonne que si elle est appliquée, tout ce que vous avez à faire est de jeter tous vos p-carrés à l'équilibre mythique.
Dites-nous ce que vous faites avec mahalanobis, nous le mettrons à l'épreuve.
Je n'y crois pas.
Dans le package R fastmatrix::Mahalanobis(x, centre, cov, inverted = FALSE) compte la distance euclidienne entre les vecteurs.
Pourquoi en avons-nous besoin ?
Nous avons besoin du pouvoir prédictif du prédicteur, c'est-à-dire de sa capacité à prédire différentes classes, et dans le futur, de manière à ce que les fluctuations du pouvoir prédictif soient minimes, au moins à 10% près. C'est pourquoi j'utilise une approche différente, et j'ai déjà publié les résultats de mes calculs.
mahalanobis
Vous avez posé une question sur mahalanobis, j'ai répondu, et pas seulement répondu, mais j'ai écrit la raison pour laquelle je ne l'utilise pas.