L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1811
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
La discrezione non ha senso, si può usare la regolarizzazione. L'addestramento aggiuntivo del modello nel corso del trading è anche una sciocchezza, non funzionerà.
Questo è troppo radicale)))
Più radicale di così non si può)))
Non si può trovare un modello attraverso questi modi, è solo zafit. Come riempire una fessura con l'ovatta
Il do-learning non cambia il modo di ricerca, ma aggiunge nuovi dati per l'apprendimento. Perché è una cosa negativa?
La separazione è più complessa e non ci sono logiche dirette, come si può essere sicuri?
Il do-learning non cambia il modo di cercare, ma aggiunge nuovi dati per l'apprendimento. Perché è un male?
La separazione è più complicata e non ci sono logiche dirette, come si può essere sicuri?
Perché è l'addestramento a finestra scorrevole, che è altrettanto riqualificato. E non può essere controllato su nuovi dati
Controllo solo per il fatto della valutazione dell'ultima finestra, e solo quando le nuove caratteristiche della serie sono diventate significative e abbiamo un ritardo. Se siamo seri, allora è necessario allenarsi su tutti i dati minimizzando il ritardo. Questa è solo una varietà di serie.
È molto probabile che i nuovi dati ripetano un altro strumento, che non era coinvolto nella formazione.
Il controllo è solo quando l'ultima finestra è stata valutata, e poi solo quando le nuove caratteristiche della fila sono diventate significative e abbiamo un ritardo. Ci sono molti dati oggi, e se siamo seri, dovremmo allenarci su tutti i dati minimizzando il ritardo. Questa è solo una varietà di serie.
È molto probabile che i nuovi dati ripetano un altro strumento che non era coinvolto nell'addestramento.
Non vedo alcuna differenza tra l'allenamento su tutti i dati e la finestra scorrevole. Se le caratteristiche di una serie cambiano molto dolcemente, allora ha senso. Ma non c'è niente del genere sul mercato.
Ha solo senso avere una bibbia di caratteristiche ottenute, niente di più. Non può essere una soluzione completa, ma funziona per trovare ripetizioni su strumenti diversi in tempi diversi. E solo come dati ausiliari per la finestra scorrevole.
il punto è solo nella bibliografia delle caratteristiche ottenute, niente di più. Forse non è una soluzione completa, ma funziona per trovare ripetizioni su strumenti diversi in tempi diversi. E solo come dati ausiliari per la finestra scorrevole.
Quali caratteristiche? Ci sarà un array di pesi NS che non sono interpretati
Sì, c'è un'incongruenza tra i desideri e gli strumenti. Davvero una serie di pesi con NS sarà insufficiente. ed è difficilmente possibile ottenere interpretazioni da loro)
La caratteristica di una serie è il modello matematico più semplice possibile che la descrive con un errore sufficientemente piccolo))))
Vladimir Perervenko:
...
È una grande illusione che si possa addestrare un modello su una vasta gamma di dati passati e poi usarlo per molto tempo senza riqualificarlo.
...
Lungo è quanto lungo - ho un modello che funziona da almeno mezzo anno in più. Ho scoperto questo con circa un mese fa quando stavo andando attraverso vecchi archivi di file - ho preso un modello e funziona, ma ora non so come è stato addestrato - modello CatBoost.
Un altro esempio - anche costruito su foglie, la maggior parte dei quali sono raccolti sul campione 2014-2018 compreso, un albero nel febbraio 2020, che viene utilizzato come un filtro, e questa sinergia funziona bene nel 2020.
Tuttavia, non ho rischiato di mettere soldi su tutto questo - e questo è il mio errore.
Ora ossessionato dal pensiero che proprio come mi avvicino al criterio lungo e tutto si rompe.