L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3182
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
Merci, je vais essayer les incréments MathRand.
La méthode la plus universelle est probablement Monte Carlo.
On dirait que j'ai une génération aléatoire intéressante.
En haut, un symbole réel, en bas, un symbole aléatoire.
RandomPrice peut être appliqué de manière itérative. Les écarts et le temps sont préservés.
Il serait correct de le faire via le logarithme, mais je ne me suis pas donné la peine de le faire. Si nous l'affinons, il pourrait s'agir de la meilleure option pour Monte Carlo afin de générer un symbole aléatoire avec les caractéristiques statistiques requises.
pour Monte Carlo est probablement la meilleure option pour générer un symbole aléatoire avec les caractéristiques statistiques souhaitées.
Test des poux avec le même ensemble.
En haut - réel, en bas - aléatoire.
Échec.
Forum sur la négociation, les systèmes de négociation automatisés et les tests de stratégies de négociation
L'apprentissage automatique dans le trading : théorie, modèles, pratique et algo-trading
mytarmailS, 2023.08.17 08:42 AM
votre deuxième étape que vous "ne faites pas" ))
Quelle est la différence ?
La différence est que rien n'est recherché dans les résultats de l'optimisation. En d'autres termes, les cinq premiers résultats d'optimisation n'ont jamais été exécutés sur OOS auparavant.
Forum sur le trading, les systèmes de trading automatisés et les tests de stratégies de trading
L'apprentissage automatique dans le trading : théorie, modèles, pratique et algo-trading
Valeriy Yastremskiy, 2023.08.17 10:44 AM
Il semble logique que la probabilité de faux positifs et négatifs diminue, mais pour moi ce n'est pas une panacée contre les erreurs.
Pensez-vous que vous devriez faire davantage confiance au modèle train_optim + test_forward qu'au modèle (train+test)_optim?
Il n'y a pas d'erreur, pas d'erreur, pas d'erreur.
J'ai pris un autre échantillon - 47% des unités et des exemples 5 fois moins - après quelques passages, je peux dire qu'il trouve déjà de nombreux segments quantiques.
J'ai également prêté attention à la similarité entre la cible initiale et la cible générée - elles sont similaires à 49 % - peut-être faut-il fixer un seuil - pas plus de 30 % de similarité ? Qu'en pensez-vous ?
J'ai fait un graphique - s'il y a une correspondance "-1", s'il n'y a pas de correspondance, alors "+1", j'ai obtenu un tel équilibre.
Il y a beaucoup de tendances, qu'en pensez-vous ?
Le haut est réel, le bas est aléatoire.
J'ai effectué une optimisation avec les mêmes paramètres sur le symbole réel et sur le symbole généré.
Réel.
Aléatoire.
Il n'est pas entraîné sur Random.
J'ai fait une optimisation avec les mêmes paramètres sur le personnage réel et sur le personnage généré.
Réel.
Au hasard.
Pas de formation sur l'aléatoire.
La différence est que rien n'est recherché dans les résultats d'optimisation. En d'autres termes, les cinq premiers résultats d'optimisation n'ont jamais été exécutés sur OOS auparavant.
J'ai fait une optimisation avec les mêmes paramètres sur le personnage réel et sur le personnage généré.
Réel.
Au hasard.
Il n'est pas entraîné sur Random.
Maxim Dmitrievsky #:
Сколько раз был сгенерирован рандом символ?)
Premièrement, il est évident que plus la séquence est longue, plus il faut la générer pour la travailler.
il est évident que plus la séquence est longue, plus il faut la générer pour la travailler aussi.
Je ne comprends pas cette affirmation. Que signifient les deux options suivantes ?
Des choses apparemment simples, car même sur des symboles réels différents, la même CT ne fonctionne pas.
L'algorithme de randomisation est le suivant: