L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3183
![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
Esattamente nello stesso modo in cui ottengo entrambi i modelli funzionanti OOS e non, attraverso lo stesso algoritmo. Il simbolo è lo stesso, non è stata aggiunta alcuna nuova randomizzazione. Trova solo in modo casuale modelli di lunga durata o modelli locali. Perché l'allenamento su un sottocampione casuale (40% all'interno dell'intervallo selezionato dalla linea), e ancora altri randomizzatori alla ricerca di modelli attraverso la randomizzazione, che la randomizzazione insegue.
Uno.
Non capisco questa affermazione. Cosa si intende con le due opzioni seguenti?
L'algoritmo di randomizzazione è il seguente:
Sì, il punto evidenziato
È necessario eseguire molte volte, molti caratteri. Ho mostrato un esempio del mio sovracampionatore qui sopra. Prende a caso i campioni per l'allenamento dalla stessa riga e i risultati sono sempre diversi su OOS.
Esattamente gli stessi cali di tensione su OOS.Merda, non so come dirlo in termini semplici.
La tua affermazione.
Forum sul trading, sui sistemi di trading automatizzati e sulla verifica delle strategie di trading
Machine learning nel trading: teoria, modelli, pratica e algo-trading
mytarmailS, 2023.08.16 13:23
Immaginate di avere solo 1000 varianti di TS, in generale.
i vostri passi 1 e 2
1) Iniziate a ottimizzare/ricercare un buon TS, questo è il traine data (fitting/ricerca/ottimizzazione).
Supponiamo che abbiate trovato 300 varianti in cui il TC rende...
2) Ora state cercando un TC tra queste 300 varianti che passi OOS è un dato di test. Avete trovato, ad esempio, 10 TC che guadagnano sia sulla traccia che sul test (OOS).
Qual è quindi il punto 2?
Si tratta della stessa continuazione del fitting, solo che la vostra ricerca(fitting/ricerca/ottimizzazione) è diventata un po' più profonda o più complessa, perché ora non avete più una condizione di ottimizzazione (passare il trade), ma due (passare il test + passare il trade).
Immaginiamo che ci siano un milione di volte più varianti: 1 miliardo di TC, vengono trovate 300 milioni di varianti di TC, dove sul campione addestrato si guadagna - questo è p.1.
In p.1. l'ottimizzazione viene effettuata su una funzione di fitness. Più alto è il valore, più si presume che il fitness sia elevato. Quindi l'ottimizzazione si occupa di trovare il massimo globale. Tutto questo è p.1.
Forum sul trading, sui sistemi di trading automatizzati e sulla verifica delle strategie di trading.
L'apprendimento automatico nel trading: teoria, modelli, pratica e trading di algoritmi
fxsaber, 2023.08.19 01:32 pm
Secondo voi bisogna fidarsi di più del modello train_optim + test_forward piuttosto che (train+test)_optim?
Cioè è un fit nella sua forma più pura.
Se fai quest 'ultimo modello, tuttavia, non è un fit.
Esattamente nello stesso modo in cui ottengo entrambi i modelli funzionanti OOS e non, attraverso lo stesso algoritmo. Il simbolo è lo stesso, non è stata aggiunta alcuna nuova randomizzazione.
La formazione non è stata effettuata sullo stesso simbolo. Ovviamente ci sono serie con qualsiasi caratteristica nella nuvola di randomizzazione.
La parte anteriore è peggiore e quella posteriore è migliore. E le situazioni inverse sono esattamente le stesse. Solo che al momento non ho fatto molte ricostruzioni.
La sua affermazione.
Immaginiamo che ci siano un milione di volte più varianti in totale: 1 miliardo di TC, 300 milioni di varianti TC trovate, dove sul campione addestrato si guadagna - questo è il punto 1.
In p.1. l'ottimizzazione viene effettuata su una funzione di fitness. Più alto è il valore, più si presume che il fitness sia elevato. Quindi l'ottimizzazione si occupa di trovare il massimo globale. Tutto questo è il punto 1.
Quindi è puro adattamento.
Se si fa la seconda, non è un adattamento.
Ho capito. Mi scuso.
Ho ricevuto una formazione su più di una caratteristica. Ovviamente, nella nuvola di randomizzazione ci sono righe con qualsiasi caratteristica.
Non vedo alcun problema. Tutti questi TS sono randomizzati perché operano in un mercato non stazionario. Ma alcune varianti possono portare profitto in una certa prospettiva.
Sì, l'evidenziazione
È necessario eseguire molte volte, molti caratteri.
Ho mostrato un esempio del mio sovracampionatore qui sopra. Prende a caso i campioni per l'addestramento dalla stessa riga e i risultati sono sempre diversi su OOS.
Sul simbolo reale non ho questo effetto. Scelgo un 40% qualsiasi dell'intervallo di ottimizzazione e poi i risultati sono molto simili su OOS.
Questo è il simbolo che ho scelto per la randomizzazione e di cui ho fornito i grafici di allenamento.
Esattamente gli stessi cali di tensione sull'OOS.
Non li vedo sempre.
Sul simbolo reale non ho osservato questo effetto. Ho scelto un qualsiasi 40% dell'intervallo di ottimizzazione e dopo questo i risultati sono molto simili a quelli di OOS.
Questo è il simbolo che ho scelto per la randomizzazione e di cui ho fornito i grafici di allenamento.
Non li vedo sempre.
Significa comunque che c'è più alfa nei tick. Ho trovato un modo per effettuare una ricerca rapida (con MO sarebbe stato molto lungo). Presenterò i risultati più tardi, quando avrò finito.