L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3182
![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
Grazie, proverò con gli incrementi MathRand.
Il più universale è probabilmente Monte Carlo.
Sembra che io abbia un'interessante generazione casuale.
In alto c'è un simbolo reale, in basso è casuale.
RandomPrice può essere applicato iterativamente. Gli spread e il tempo sono conservati.
Sarebbe corretto farlo tramite logaritmo, ma non mi sono preoccupato di farlo. Se lo perfezioniamo, potrebbe essere l'opzione migliore per Monte Carlo per generare un simbolo casuale con le caratteristiche statistiche richieste.
per Monte Carlo è probabilmente l'opzione migliore per generare un simbolo casuale con le caratteristiche statistiche desiderate.
Test dei pidocchi con lo stesso set.
In alto - reale, in basso - casuale.
Fallimento.
Forum sul trading, sui sistemi di trading automatizzati e sulla sperimentazione di strategie di trading
Machine learning nel trading: teoria, modelli, pratica e algo-trading
mytarmailS, 2023.08.17 08:42 AM
il tuo secondo passo che "non fare" ))
Qual è la differenza?
La differenza è che non si cerca nulla nei risultati dell'ottimizzazione. Cioè, i primi cinque risultati dell'ottimizzazione non sono mai stati eseguiti su OOS.
Forum sul trading, sui sistemi di trading automatizzati e sulla verifica delle strategie di trading
L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading
Valeriy Yastremskiy, 2023.08.17 10:44 AM
Sembra logico che la probabilità di falsi positivi e negativi diminuisca, ma per me non è una panacea contro gli errori.
Pensi che ci si debba fidare di più del modello train_optim + test_forward che di (train+test)_optim?
Non c'è nessun errore, nessun errore, nessun errore.
Ho preso un altro campione - 47% di unità ed esempi 5 volte inferiori - dopo un paio di passaggi posso dire che trova già molti segmenti quantici.
Un'altra cosa a cui ho prestato attenzione è la somiglianza tra l'obiettivo iniziale e quello generato - sono simili al 49% - forse è necessario impostare una soglia qui - non più del 30% di somiglianza? Qualche idea?
Ho fatto un grafico - se c'è una corrispondenza "-1", se non c'è corrispondenza, allora "+1", ho ottenuto un tale equilibrio.
Ci sono molte tendenze, cosa ne pensate?
La parte superiore è reale, quella inferiore è casuale.
Ho effettuato un'ottimizzazione con le stesse impostazioni sul simbolo reale e su quello generato.
Reale.
Casuale.
Non è addestrato su Random.
Ho effettuato un'ottimizzazione con le stesse impostazioni sul personaggio reale e su quello generato.
Reale.
Casuale.
Non addestrato su Random.
La differenza è che nei risultati dell'ottimizzazione non viene cercato nulla. In altre parole, i primi cinque risultati dell'ottimizzazione non sono mai stati eseguiti su OOS.
Ho effettuato un'ottimizzazione con le stesse impostazioni sul personaggio reale e su quello generato.
Reale.
Casuale.
Non è addestrato su Random.
Maxim Dmitrievsky #:
Сколько раз был сгенерирован рандом символ?)
Uno.
è ovvio che più lunga è la sequenza, più volte è necessario generarla per lavorare anche su di essa.
Non capisco questa affermazione. Cosa si intende con le due opzioni seguenti?
Cose apparentemente semplici, perché anche su simboli reali diversi lo stesso TC non funziona.
L'algoritmo di randomizzazione è il seguente: