L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 351
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
In realtà, questo non è giusto, imho.
Man mano che il sistema diventa più complesso, la redditività e la stabilità dovrebbero aumentare allo stesso tempo. Cioè, man mano che il sistema diventa più complesso, le sue proprietà utente dovrebbero aumentare.
Assolutamente NON corretto.
I criteri informativi, vari acaici lì, sono volti a minimizzare la complessità del modello. Il model coarsening è uno strumento molto efficace contro il principale male del trading: il sovrallenamento.
Maxim Dmitrievsky:
Al diavolo.
Basta prendere la più semplice: una foresta casuale. Di solito si ottengono classi come risultato della formazione. In realtà l'algoritmo dà la probabilità di una classe da cui si ottiene una classe. Di solito si divide la probabilità a metà con due classi.
Che ne dite di dividere in classi: 0 - 0,1 è una classe e 0,9 - 1,0 è un'altra classe? E il divario tra 0,1 - 0,9 è fuori dal mercato?
Questo è quello che ho visto nell'articolo.
Completamente NON vero.
I criteri informativi, vari acaici lì, sono volti a minimizzare la complessità del modello. Coartare il modello è uno strumento molto efficace per combattere il principale male del trading - l'overtraining (overfitting).
Non so perché sia sbagliato). Dalla seconda frase stiamo parlando della stessa cosa.
C'è del testo nel mio post che non è corretto. Poi riveli questa posizione.
La regola generale è: ottenere un grande sistema in termini di redditività e poi peggiorarlo in termini di redditività, nella speranza di ottenere qualcosa di molto più importante: la sostenibilità nel futuro.
C'è del testo nel mio post che non è corretto. Lei espone ulteriormente questa posizione.
La regola generale è: ottenere un grande sistema in termini di redditività, e poi peggiorarlo in termini di redditività, nella speranza di ottenere qualcosa di molto più importante: la sostenibilità nel futuro.
Beh, se la stabilità aumenta, aumenta anche la redditività, almeno riducendo il numero di trade perdenti. Quelli redditizi sono colpiti in misura minore.
Se non è così, allora c'è qualcosa di sbagliato nell'informatività dei predittori. In ogni caso, il rapporto profitto/perdita dovrebbe crescere solo con l'aumentare della complessità.
La stabilità aumenta, e così la redditività, almeno riducendo il numero di trade perdenti. Quelli redditizi sono colpiti in misura minore.
Se non è così, allora c'è qualcosa di sbagliato nell'informatività dei predittori. Comunque, il rapporto profitto/perdita deve crescere insieme alla complicazione.
Tu lo sai meglio, anche se tutto il mondo è dell'opinione esattamente opposta.
La stabilità aumenta, e così la redditività, almeno riducendo il numero di trade perdenti. Quelli redditizi sono colpiti in misura minore.
Se non è così, allora c'è qualcosa di sbagliato nell'informatività dei predittori. In ogni caso, con l'aumentare della complessità il rapporto profitti/perdite non può che crescere.
Faa scrive l'idea giusta, ma la dichiara in modo errato.
Avete una serie e un insieme di predittori. Si divide la serie in tre parti - campione di allenamento e avanti (caso più semplice).
Si costruiscono, per esempio, 20 modelli.
Il punto è che la selezione di un modello dalla lista non è eseguita dal migliore sul campione di allenamento e non dal migliore su quello in avanti. Viene selezionato un modello che dà gli stessi punteggi di qualità sia sul training che sul forward.
Lei lo sa bene, anche se tutto il mondo ha un'opinione esattamente opposta.
L'essenza - la selezione di un modello dalla lista non è basata sul criterio del migliore sul campione di allenamento e non sul criterio del migliore sul forward. Viene selezionato un modello che dà quasi la stessa qualità sul campione di allenamento e su quello in avanti.
Questo non è in dubbio. Si intendeva solo il funzionamento effettivo o il test del sistema.
In realtà, questo non è giusto, imho.
Man mano che il sistema diventa più complesso, la redditività e la stabilità dovrebbero aumentare allo stesso tempo. In altre parole, man mano che il sistema diventa più complesso, le sue proprietà utente dovrebbero aumentare.
Usando l'esempio dello sviluppo delle mani:
1. prendiamo una nuda idea di trading e creiamo un semplice TS, ottimizzando il profitto (le perdite possono essere completamente ignorate).
2. Introdurre restrizioni che riducano al minimo il numero di transazioni perdenti. Naturalmente, una parte dei trade accidentalmente redditizi se ne andrà e in una parte di quelli redditizi il profitto diminuirà, ma anche i drawdown diminuiranno, e di conseguenza la somma di profitto-perdita aumenterà.
Un'ulteriore complicazione porta solo all'aumento del profitto, almeno a causa della diminuzione del numero di trade perdenti.
Se l'importo del profitto-perdita non aumenta a causa della complicazione, dobbiamo fare qualcosa di sbagliato. Per esempio, introduciamo condizioni inefficienti.
Come è sbagliato, state creando un modello di classificazione. Più grande è il campione, più forte è la generalizzazione, il modello diventa più stabile in generale e meno accurato nelle particolarità, quindi meno profitto
Se lo si addestra su un piccolo campione, allora può essere molto accurato su un campione breve, ma instabile su uno lungo