L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1546
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
l'apprendimento eccessivo nel senso di una generalizzazione debole. Ho già scritto sopra come si può aggirare il problema, ma ci sono approcci più eleganti, sono sicuro
Non c'è nessun problema con la qualità della formazione sul treno + valide a tutti.
Forse è una questione di dati, non è la prima volta che ho sentito da diversi formatori che dati omogenei, come l'incremento, sono meglio dati a NS, e alberi di diversi tipi funzionano meglio con dati non uniformi - modelli, notizie, fattori di rischio, tempo, eventi, densità di stack, interesse aperto, volumi.
Se non sai come farlo, potresti essere sorpreso dalla differenza tra i segnali dei prezzi aperti e chiusi.
Vedo che tutti cercano di formare la rete con l'aiuto di un insegnante.
Qualcuno ha provato ad addestrare la rete usando una funzione obiettivo, come il fattore di recupero?
Seleziono le foglie e ne costruisco un modello secondo i miei parametri.
Non lo suggerisce.
In XGBoost il primo albero è il modello grezzo. Gli altri correggono il primo, e di un fattore microscopico. Non si può ottenere nulla lavorando lì individualmente, danno solo un buon risultato come una folla intera.Nel catbusto apparentemente lo stesso principio di base, con le sue peculiarità.
In effetti sono scettico anch'io, tranne che per rendere l'albero più autentico - sto preparando i dati per 6 spaccature ora, non credo che sia sufficiente.
Tuttavia, l'essenza stessa della ponderazione è proprio la valutazione di tutti i fogli del modello per competenza, e non si può escludere che ci sia un buon modello tra loro, perché il principio della costruzione del foglio è osservato e tiene conto della costruzione indipendente per avidità, e poi il controllo per il miglioramento dell'albero e la valutazione. Vediamo.
Quindi forse è tutta una questione di dati, non è la prima volta che sento da diversi docenti che dati omogenei, come gli incrementi, è meglio alimentare NS, mentre gli alberi di diversi tipi funzionano meglio con dati eterogenei - modelli, notizie, rapporti di rischio, tempo, eventi, densità di coppa, interesse aperto, volumi.
A proposito, riguardo agli incrementi, hai provato a misurare in base all'ATR, o alla percentuale del prezzo di chiusura, piuttosto che in pip?
Non so cosa misurare, non mi interessa.
Stai lottando con la cosa sbagliata... Non me ne frega un cazzo di cosa misuri.
Proprio il contrario, pensavo che la conversione a valori naturali avrebbe avuto un effetto, dato che ho tutti i valori normalizzati e quantificati (suddivisi in intervalli), e si scopre che quando ho lasciato i numeri puri, l'apprendimento è peggiorato significativamente. È ovvio per me ora, che la pre-elaborazione dei dati fa la differenza.
Proprio il contrario, ho pensato che la conversione a valori naturali avrebbe avuto un effetto, dato che ho tutti i valori normalizzati e quantificati (suddivisi in intervalli), e si scopre che quando ho lasciato i numeri puri, l'apprendimento è stato significativamente compromesso. Ora è ovvio per me che la pre-elaborazione dei dati fa la differenza.
Beh, hai il tuo mondo bizzarro là fuori, con le sue bestie )) Io uso solo gli incrementi e le loro controparti, e a volte solo i prezzi, come hanno comandato i Padri
Beh, hai il tuo mondo bizzarro là fuori, con le sue bestie )) Io uso solo gli incrementi e le loro controparti, e a volte solo i prezzi, come hanno comandato i Padri
Forse incrocerò due campioni con i tuoi e i miei predittori, solo per il gusto di sperimentare?
Che ne dici di incrociare due campioni con i tuoi e i miei predittori, solo per il gusto di sperimentare?
Tutti i predittori sono derivati dai rimpatriati. Basta aggiungere i ritorni al tuo e considerarli incrociati.
Qualsiasi perdente è derivato dai ritorni. Basta aggiungere i ritorni al tuo e considerarlo già attraversato
Non so quali ritorni aggiungere, a che passo e quanti.
Non so quali ritorni aggiungere, a quale passo e quanti pezzi.
Non lo so nemmeno io, è sempre diverso