L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1612
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
Ho avuto a che fare con tali strategie per mezzo anno, il risultato massimo sui backtest è x5 per un anno, ma una volta all'anno sono sicuro di perdere tutto ed è impossibile risolvere questo problema.
Sì, beh... È un peccato per le persone.
Allora, cosa c'è nella trasmissione del tuo sistema?
Sì, beh... È un peccato per le persone.
Allora, cosa c'è nella trasmissione del tuo sistema?
Ho eseguito il sistema nel tester per la scorsa settimana e sono stato ancora una volta convinto che "aiuto" mettendo filtri ecc porta al fatto che lo sforzo speso per la formazione del sistema questo "aiuto" porta solo ad un risultato negativo e questo risultato su dati noti e addestrati, cosa dire quando i dati arriva in tempo reale (crudo).
Ho eseguito il sistema nel tester per la scorsa settimana e sono stato ancora una volta convinto che "aiutare" a impostare i filtri, ecc porta al fatto che lo sforzo speso per addestrare il sistema questo "aiuto" porta solo ad un risultato negativo e questo risultato sui dati noti e addestrati, cosa dire quando i dati arrivano in tempo reale (grezzo).
Abbiamo due vettori di variabili, la candela attuale e quella precedente ("-1")
a = "aperto", "alto", "basso", "chiuso", "centro"
b = "open-1", "high-1", "low-1", "close-1", "center-1"
la variabile "center" è il centro della candela (high+low)/2, senza questa variabile è impossibile descrivere un pattern come "eskimo" etc. Penso che il significato delle altre variabili non sia necessario spiegarlo, sono ovvie.
Quindi, creiamo tutte le possibili combinazioni logiche (possono essere anche non logiche).
Solo due candele, miserabili due candele.....Cavolo, non so nemmeno cosa dire. Le biblioteche sulle reti neurali sono diventate così accessibili, che la gente dimentica persino il buon senso, o cosa?
È ovviamente senza senso moltiplicare le entità, mentre in tutti i manuali iniziali su qualsiasi tipo di analisi è scritto che è necessario sbarazzarsi delle entità ridondanti per ottenere risultati.
Bene, se si creano delle variabili se è superiore di una cifra, di due, di un terzo, ecc., allora due candele possono risultare in 1000)))
Se pensate che il rapporto dei predittori sia così importante per il vostro modello e deve essere necessariamente alimentato all'input, allora create una specie di strato di convoluzione, ma per moltiplicare i predittori, sì...
Amico, non so nemmeno cosa dire. Le librerie di reti neurali sono diventate così accessibili che la gente dimentica il buon senso, o cosa?
È ovviamente senza senso moltiplicare le entità, quando tutti i manuali primari per qualsiasi tipo di analisi dicono che è necessario sbarazzarsi delle entità inutili per ottenere risultati.
Bene, se si creano delle variabili se è superiore di una cifra, di due, di un terzo, ecc., allora due candele possono risultare in 1000)))
Se pensate che il rapporto dei predittori sia così importante per il vostro modello, e dovete necessariamente alimentarlo all'input, allora create una specie di strato di convoluzione, ma per moltiplicare i predittori, yadaa...
oops.... bambini....
Per sbarazzarsi delle entità superflue , bisogna prima capire cosa è superfluo! Su 1000 caratteristiche dei candidati, puoi scegliere le 5 più importanti a occhio?
oops.... bambini....
Per sbarazzarsi delle entità superflue , bisogna prima capire cosa è superfluo! Per capirlo, bisogna cercare tra le opzioni! O conosci un altro modo? Puoi scegliere a occhio 5 pretendenti su 1000?
Avete fatto molto lavoro, studiato molto materiale, speso molto tempo. Che senso ha cercare di farti cambiare idea...
Avete fatto molto lavoro, studiato molto materiale, speso molto tempo. Beh, non posso farti cambiare idea su nulla.
Se ci sono argomenti, mi piacerebbe sentirli.
Se gli argomenti sono oggettivi, sarei felice di farvi cambiare idea.
Se ti sei reso conto di aver detto troppo e hai deciso di saltare gentilmente, non ha funzionato))
Se ci sono argomenti, mi piacerebbe sentirli.
Se gli argomenti sono oggettivi, sarei felice di cambiare idea e diventare più saggio.
Se ti sei reso conto che hai detto troppo e hai deciso di mollare, è fallito)).
Quali argomenti, se lo stai facendo significa che o tu non capisci qualcosa o io sì.
L'essenza della mia sorpresa - un modello insegnabile, di cui stiamo parlando qui, deve essere addestrato su dati grezzi.
Se i dati di input sono correlati, devono essere ridotti a non correlati. Ma voi state facendo il contrario - state moltiplicando i dati originali, fortemente correlati tra loro.
Ecco un esempio: insegniamo al modello a classificare le tonalità di colore in base a 3 cifre - RGB. Tre cifre, sono dati grezzi e puri!!! Nel vostro approccio avete bisogno di fare dei predittori come:
1- R 2-G 3-B - 4 Più rosso 5 - Più verde 6- Più rosso che verde e blu insieme .... 100500 Non così rosso come sarebbe se il verde fosse rosso come il blu. ))
Il modello non dovrebbe imparare da solo, ha i dati grezzi ed è a questo che serve!
Che argomenti, se fai così, significa che o tu non capisci qualcosa o io sì.
Il punto della mia sorpresa è che un modello addestrato, di cui stiamo parlando qui, deve essere addestrato sui dati grezzi.
Se i dati di input sono correlati, devono essere ridotti a non correlati. Ma voi state facendo il contrario - state moltiplicando i dati originali, fortemente correlati tra loro.
Ecco un esempio: insegniamo al modello a classificare le tonalità di colore in base a 3 cifre - RGB. Tre cifre, sono dati grezzi e puri!!! Nel vostro approccio avete bisogno di fare dei predittori come:
1- R 2-G 3-B - 4 Più rosso 5 - Più verde 6- Più rosso che verde e blu insieme .... 100500 Non così rosso come sarebbe se il verde fosse rosso come il blu. ))
Il modello non deve impararlo da solo, ha i dati di input ed è a questo che serve!