L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 235
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
Vedo che hanno già iniziato a scrivere libri su r)))
allitebooks.com/automated-trading-with-r-2/
Per amore dello sport, ho sorpassato un po', mi fermo qui. Risorse libere un po', ma il desiderio non è e non era affatto,
ha solo sostenuto l'idea di un "biglietto d'ingresso al ramo". < 0,69, a occhio e croce, non è un gran problema da superare. < 0,68 non so, bisogna pensarci)))
https://numer.ai
Per favore dimmi quale modello, come è stato insegnato?
L'errore di previsione della classe è inferiore al 30%. Può essere molto meno del 30%, ma meno del 20% non può essere raggiunto. Ma ci sono buone ragioni per dire che il modello NON è sovrallenato. L'importante è che non sia sovrallenato - un modello sovrallenato non è affatto necessario, è una spazzatura pericolosa.
Modelli: foresta casuale e ada. Generalmente la scelta del modello ha poco effetto sul risultato, se viene addestrato del tutto. Sui miei predittori, nnet non è allenato affatto.
L'errore di previsione della classe è inferiore al 30%. Può essere molto meno del 30%, ma meno del 20% non può essere raggiunto. C'è comunque una buona ragione per credere che il modello NON venga riqualificato. La cosa principale è non essere sovrallenati - un modello sovrallenato non è affatto necessario, spazzatura pericolosa.
Modelli: foresta casuale e ada. Generalmente la scelta del modello ha poco effetto sul risultato, se è allenabile. Sui miei predittori nnet non è allenato affatto.
Che tipo di logloss avete lì?
L'errore di previsione della classe è inferiore al 30%. Può essere molto meno del 30%, ma meno del 20% non può essere raggiunto. C'è comunque una buona ragione per credere che il modello NON venga riqualificato. La cosa principale è non essere sovrallenati - un modello sovrallenato non è affatto necessario, spazzatura pericolosa.
Modelli: foresta casuale e ada. Generalmente la scelta del modello ha poco effetto sul risultato, se è allenabile. Sui miei predittori nnet non è allenato affatto.
Cos'è il logloss?
Immagino che tu stia parlando del tuo punteggio suhttps://numer.ai ma non in logloss ma in termini di hashing (% di errore). Ma illogloss è una cosa complicata, hai bisogno non solo di indovinare la classe ma anche la probabilità.
Capisco che stai parlando del tuo calibro suhttps://numer.ai ma non in logloss ma nell'orlatura (% di errore), ma illogloss è una cosa complicata, non solo devi indovinare la classe ma anche la probabilità.
Sto scrivendo del mio Expert Advisor. Ha un modello.
Io uso i pacchetti e hanno una stima approssimativa, che non ha niente a che vedere con la perdita di log. Inoltre, i risultati dei pacchetti possono essere stimati con altri mezzi.... Non mi ricordo di loglos.
E la classe, in quei pacchetti che ho visto, è derivata dalla probabilità, cioè in realtà la probabilità è contata e poi calibrata. È standard a metà per due classi, ma si può entrare e guidare.
Sto scrivendo della mia EA. C'è un modello dentro.
Io uso i pacchetti e c'è una valutazione in essi, a colpo d'occhio, che non ha niente a che vedere con loglos. Inoltre, i risultati dei pacchetti possono essere valutati con altri mezzi.... Non mi ricordo di loglos.
E la classe, in quei pacchetti che ho visto, è derivata dalla probabilità, cioè in realtà la probabilità è contata e poi calibrata. È standard a metà per due classi, ma si può entrare e guidare.
Non posso dire nulla allora, come minimo hai bisogno di un set di dati su cui hai ottenuto tali risultati. Loglos sono d'accordo, per il nostro caso non è proprio la scelta giusta, è un omaggio a kaggle, non riqualificato 20-30% di errore nella precisione, che mi suona molto potente, francamente lo trovo difficile da credere.
Per i loglos, il trucco è che, per esempio, per due classi se si ha lo 0% di errore, allora le probabilità di risposta saranno vicine al 100% e allo 0%, {0,1,0,1....} quando l'errore è del 10%, colpisce non solo la probabilità delle risposte sbagliate, ma anche quella delle risposte corrette, quindi quelle risposte corrette, che erano 1 e 0, dovrebbero ora essere per esempio 0,8 e 0,2, quando l'errore è del 45%, tutto dovrebbe oscillare intorno a 0,5 +- 0,1, quindi il logloss sarebbe ottimale, tale alchimia ....
Mi è capitato di guardare il profilo di lucky_teapot, c'era un thread sul forum con un link a un articolo. Penso che il tutto sia stato trasferito dal forum mql4.com, che ho studiato a malapena, grazie MetaQuotes se davvero l'ha trasferito da lì.
L'articolo ha quasi 9 anni, ma ho trovato un sacco di cose utili che potrei anche provare ora. Credo di aver capito anche lo spazio di ritardo dimensionale, di cui Alexei ha già parlato un paio di volte in questo thread.
L'articolo stesso, lo trovo molto utile -https://www.mql5.com/ru/articles/1506
L'ho letto... Mi interessava una cosa, l'autore dice che si possono modificare un po' i dati, aumentando così il campione e il modello funzionerà meglio, perché la base di conoscenza del modello sarà più ampia...
Sto lavorando con gli spread e gli spread sono ancora piccoli rispetto al campione totale
Penso che se disegniamo un campione multimilionario e insegniamo al modello a catturare le inversioni, ci saranno molti esempi e penso che il modello delle inversioni sia lo stesso in entrambi i mercati(intendo molti modelli)
E qui ho un'altra domanda, o meglio un'idea ma nessuna soluzione ancora...
Penso che se separiamo tutte le inversioni da questo multimilione di valori e lasciamo solo quelle come campione di allenamento, il modello imparerà solo le inversioni stesse, è così veloce, ma quando abbiamo bisogno di distinguere un'inversione da un non-turn nei nuovi dati come farà il modello se non ha idea di cosa sia un non-turn...? ((.
L'ho letto... Mi interessava una cosa, l'autore dice che si possono modificare un po' i dati, aumentando così il campione e il modello funzionerà meglio, perché la base di conoscenza del modello sarà più ampia...
Sto lavorando con le inversioni e il numero di inversioni è ancora piccolo rispetto al campione totale
Cos'è un pivot? Una barra come in ZZ?
Mi piace molto l'idea (ripescata qui sul thread) di considerare un'inversione come una certa sequenza di barre, dopo la quale, in futuro, ci sarà un profitto predeterminato. Questo approccio ridurrebbe notevolmente lo squilibrio di classe. Questo è uno. Due, la classe stessa avrebbe una chiara proprietà predittiva.