L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1279
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
Capire e fare dei rilasci sono cose diverse. Sto ancora sperimentando. Al momento sto mischiando i predittori. Forse ci rinuncerò, proprio come ho rinunciato alla NS per l'incapacità di affrontare il rumore.
È facile da capire. Bisogna guardare il codice per qualche ora e tutto diventerà chiaro.Sì, naturalmente è diverso, ma una buona mano può fare molto! Io, d'altra parte, trovo difficile capire il codice degli altri, quindi non mi ci metto nemmeno.
E la foresta, così è nel suo concetto sarà sempre rumoroso (in realtà, il rumore bianco dovrebbe sovrapporsi al rumore con una più fiduciosa risposte collettive), perché funziona non a causa della qualità, ma la quantità, penso che abbiamo bisogno di controllare in qualche modo più e qualità degli alberi e la loro unicità.
Non capisco perché non ti piace la mia idea di raccogliere foglie dagli alberi; puoi andare a un sondaggio, o cercare di distribuire le foglie in modo che non si sovrappongano nel campionamento... Il rumore è ovviamente minore, ma è importante che la regola nella foglia abbia un vero significato, allora sarà stabile nel tempo.
Non capisco perché non ti piace la mia idea di raccogliere le foglie dagli alberi - puoi votare, o cercare di distribuire le foglie in modo che non si sovrappongano nel campione... Se non hai abbastanza rumore, è importante che la regola nella foglia abbia un vero significato, allora sarà stabile nel tempo.
Non ho ancora esplorato completamente la foresta. Ecco perché non ho tempo per essere distratto da altro.
Capisco. Lavorate, scrivete dei vostri risultati - interessanti.
Ora sto cercando di fare un pool di tali strani modelli CatBoost, che hanno un piccolo numero di alberi 1-30, per un apprendimento più profondo e valutare se l'apprendimento profondo sotto 100-300 alberi ha senso.
È interessante notare che la prima parte del campione (evidenziata in blu, ma un po 'più del necessario, perché ha mostrato una ripartizione dell'ultimo equilibrio alto, dicono che era lungo) per la formazione sembra molto mediocre dopo l'applicazione del modello, e poi c'è un modello che inizia a sfruttare il modello, mentre sul campione di prova (su cui il modello è selezionato) non è così evidente come sull'esame (non coinvolto nella formazione). Forse questo è un segno di sottoallenamento, se sia meglio del sovrallenamento è la domanda.
Se qualcuno è interessato, posso esporre i battitori, il campionamento, le impostazioni da eseguire tramite la linea di comando, bene chiunque non abbia padronanza di python come me.
Do una variante al minuto e allego il rapporto di trading del tester.
Ma ho migliorato un po' gli indicatori.
Il rapporto di Sharpe è ora di 0,29.
Infine la permutazione conteggiata e il riconteggio effettivo della foresta con 1 predittore rimosso. I risultati non sono affatto simili.
Gli autori della permutazione hanno sperimentato con 6 predittori e io con 65. Forse con 6 predittori è più facile separare l'ingresso del rumore. Inoltre la foresta è ancora casuale, forse ha anche aggiunto la casualità alla lista dell'importanza.
Ora eseguirò di nuovo sugli stessi dati e al mattino confronterò 4 tabelle di importanza.
Le più simili erano 2 tabelle d'importanza di permutazione (solo da corse diverse sugli stessi dati).
Le tabelle di importanza ottenute ricontando la foresta quando si rimuove 1 predittore - non sono simili tra loro, né alla permutazione.
Ciao macchinisti!
Esatto, qui ci sono solo tester grails, e il balletto marlesoniano è messo in scena dall'Apprendista Sposo e compagnia :)
Sì, ci sono solo tester grails da queste parti, e il balletto marlesoniano è gestito da The Groom's Apprentice e compagnia :)
Kesha figlio.
Mi fai ridere.
profondità di pensiero,
che sillaba.