L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 81
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
il y a un ser :)
)))
Est-ce que vous négociez chez wealthlab par hasard ?
)))
Faites-vous du commerce chez wealthlab ?
4) si vous effectuez une validation croisée lors de la formation, répétez-la plusieurs fois sur les mêmes données, voyez la variation des résultats, choisissez des modèles et des prédicteurs avec une faible variation.
C'est ce qui me vient à l'esprit maintenant, mais ce n'est pas la limite des problèmes possibles.
Vous serez surpris et vous ne serez certainement pas d'accord avec moi :) ), mais je ne crois pas que la validation croisée soit efficace sur le marché, du moins dans son utilisation classique.
Vous serez surpris et certainement en désaccord avec moi (et pas seulement vous :) ) mais je ne crois pas que la validation croisée soit efficace lorsqu'elle est appliquée au marché, du moins dans son application classique.
Vous serez surpris et certainement en désaccord avec moi (et pas seulement vous :) ) mais je ne crois pas que la validation croisée soit efficace lorsqu'elle est appliquée au marché, du moins dans son application classique.
Pourquoi si peu d'arbres ?
Je crois que plus il y a d'arbres, moins le système fait d'échanges et leur qualité n'augmente pas du tout.
par exemple, si mon modèle réalise 500 transactions avec le paramètre 10/5 et qu'avec le paramètre 5/200 (5 scissions, 200 arbres), il ne réalise qu'une seule transaction ou pas de transaction du tout, alors la généralisation diminue et le modèle recherche des situations très claires qui se sont déjà produites mais qui ne se produiront jamais dans le futur.
Commençons par la façon dont vous comprenez la signification de la validation croisée. pouvez-vous le dire ?
Je suis sûr que c'est la même chose que vous.
Nous divisons la parcelle en 5 parties, entraînons 4 d'entre elles, contrôlons la 5ème partie et passons en revue toutes les variantes avec les parcelles afin que le contrôle hors échantillon ait lieu sur les 5 parties de l'échantillon et calculons l'erreur moyenne
Cela semble être si je n'ai pas oublié
Je crois que plus il y a d'arbres, moins le système fait d'échanges et leur qualité n'augmente pas du tout.
par exemple, si mon modèle réalise 500 transactions avec le paramètre 10/5 et qu'avec le paramètre 5/200 (5 scissions, 200 arbres), il ne réalise qu'une seule transaction ou pas de transaction du tout, alors la généralisation diminue et le modèle recherche des situations très claires qui se sont produites une fois mais ne se produiront jamais à l'avenir.
Je suis sûr que c'est la même chose que vous.
Nous divisons la parcelle en 5 parties, entraînons 4 d'entre elles, contrôlons la 5ème partie et passons en revue toutes les variantes avec les parcelles afin que le contrôle hors échantillon ait lieu sur les 5 parties de l'échantillon et calculons l'erreur moyenne
Cela semble être tout, si je n'ai pas oublié.
Oui. Pourquoi en avez-vous besoin ? Pour trouver les paramètres d'apprentissage optimaux.
Qu'est-ce qui vous déplaît dans cette approche ? Comment allez-vous sélectionner les paramètres ?
Idée intéressante. Il s'avère donc que par le nombre d'arbres, vous luttez contre le surentraînement ?
pas vraiment...
Ce que j'écris ne s'applique qu'à mon approche.
Tu sais comment je fais ma cible, c'est des inversions.
j'ai trois classes de pivot "haut", "bas" et "pas de pivot" ( 1 , -1 , 0 )
Vous savez également que l'asymétrie des classes est énorme, la classe "0" est des dizaines de fois plus grande que "-1" et "1".
et cela signifie que le modèle est mieux entraîné sur la classe "0" parce qu'elle a le plus d'observations et pendant l'entraînement du modèle, plus il y a d'arbres, plus la classe "0" est entraînée et comme la classe "0" devient meilleure et plus forte, elle commence à (absorber - évincer) les classes "1" , "-1". C'est pourquoi plus il y a d'arbres, moins il y a de transactions.