L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2594
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
la critica di Dio di nuovo
È tanto nella fronte quanto nella testa.
Fai un punto, non questa merda - funzionerà, perché non funzionerà
vedo, anche la fantasia è completamente assente. Il PO non coprirà tutto lo spazio delle varianti del modello, dovrete scegliere e che lei stessa ha ottimizzato e si è fermata alla migliore variante. Andare in fabbrica, insomma. Si prendono alcune cose senza nemmeno capire approssimativamente con cosa si sta lavorando. E nel caso del boosting è impossibile costruire OP, poiché il numero di parametri cresce ad ogni iterazione.
Ci sono questioni più interessanti dell'uso del MO nel trading. Per esempio, l'algoritmo per determinare quale intervallo di storia prendere per l'allenamento. Forse può essere impostato da alcuni meta-parametri che sono ottimizzati dalla crossvalidazione. Ho bisogno di leggere Prado).
Volevo scrivere che più dati ci sono meglio è, poi mi sono ricordato di uno dei miei piccoli esperimenti (anche se è stato fatto senza sufficiente rappresentatività, quindi il risultato potrebbe essere casuale, ma comunque). Vale a dire, ci sono 2 mercati - nella mia stima soggettiva 1 è più efficiente, l'altro meno. Il modello addestrato sul mercato più efficiente ha dato risultati OOS peggiori in questo mercato rispetto al modello addestrato sul mercato meno efficiente nella stessa area.
Spesso i modelli smettono di funzionare in un solo momento, non importa la dimensione del vassoio. Mi sono allenato su campioni di diversa lunghezza, tutti smettono di funzionare a un certo punto della storia precedente. Attraverso questo si può vedere che qualche schema manca o cambia.
Poi si scopre che bisogna allenarsi su una sezione più corta possibile. In modo che dopo il cambiamento del modello, il nuovo modello inizia a lavorare più velocemente.
Per esempio, se ci si allena per 12 mesi, dopo un cambio di schema in 6 mesi, lo schema nuovo e quello vecchio saranno 50/50. E tra circa un anno ci sarà la formazione e il trading sul nuovo modello. Cioè per quasi un anno intero il modello è stato scambiato su un modello obsoleto e molto probabilmente in perdita.
Se vi allenate per 1 mese, il modello imparerà a funzionare di nuovo correttamente tra un mese.
Sarebbe bene allenarsi per 1 settimana... Ma non ho abbastanza dati.
Spesso i modelli smettono di funzionare in un momento, indipendentemente dalle dimensioni del vassoio. Li ho addestrati su campioni di diversa lunghezza, tutti smettono di funzionare a un certo punto della storia passata. Attraverso questo si può vedere che qualche schema manca o cambia.
Per quanto riguarda il rumore, sì. Non ci ho pensato in termini di prendere sezioni di storia con e senza rumore però. E a proposito, come si fa a capire questo prima di addestrare il modello? Tipo, iterativamente? Ho allenato tutti i settori, ho guardato dove si comporta meglio, ho lasciato questi settori e ho allenato prima solo questi settori? Questo dà origine alla seconda questione che può essere chiamata filosofica prima della validazione sperimentale: è meglio per il modello vedere immediatamente diverse aree, comprese quelle rumorose, ma imparare in media dai dati rumorosi o imparare dai dati più puliti, ma non una volta vedere i dati rumorosi.
E cosa c'è di sbagliato nelle taglie giganti? A parte l'aumento del tempo di calcolo?