L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2842
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
Anche voi, di fatto, state facendo un'ottimizzazione. Avete inventato un criterio di "stazionarietà delle caratteristiche" e prendete le caratteristiche ottimali in base ad esso. È la stessa ottimizzazione nella storia, ma nel profilo.
Dovremmo assolutamente inventare un criterio di robustezza delle TS e ottimizzare in base ad esso) Otterremo di nuovo la stessa ottimizzazione nella storia,ma in un profilo diverso).Ottimo, in termini di tolleranza.
Andate in un negozio, scegliete i pantaloni - ottimizzazione in base alla vostra figura!
Qui stiamo parlando di qualcosa di completamente diverso: il perfezionamento degli algoritmi di ottimizzazione disponibili nei modelli. Mi oppongo al perfezionamento di algoritmi di ottimizzazione già integrati. C'è un algoritmo nel tester - bene. L'affinamento di questo algoritmo non vi permetterà di ottenere un TS redditizio da uno prosciugante. Lo stesso vale per gli algoritmi incorporati nei modelli.
Inoltre, bisogna fare molta attenzione quando si ottimizzano i parametri del modello, perché si può facilmente riqualificare il modello.
Sono arrivato alla riflessione più importante: l'indubbio legame tra ottimizzazione e sovrallenamento del modello. Il modello deve essere sempre lasciato abbastanza "grezzo" e non è certo necessario ottenere degli ottimi globali.
Quando cerco un elenco accettabile di predittori - ottimizzazione nel senso dei pantaloni. Ma il significato è molto diverso: cercare di evitare "l'immondizia dentro - l'immondizia fuori". C'è una differenza qualitativa rispetto al tentativo di trovare l'algoritmo "giusto" che trovi l'optimum globale. Nessun optimum globale darà un TS redditizio sui rifiuti.
Maxim Vladimirovich, cosa ne pensi del clustering quantistico?
https://github.com/enniogit/Quantum_K-means
La parola "ottimizzazione" ha una cattiva reputazione sul nostro forum per ovvi motivi. Pertanto, è comprensibile che si voglia in qualche modo starne alla larga e che non si usi nemmeno la parola stessa. Tuttavia, qualsiasi addestramento di un modello MO è quasi sempre un'ottimizzazione, quindi non si possono togliere le parole da una canzone.
Non voglio ferire nessuno, né insegnare loro la vita o spiegare come fare affari) Scrivo solo con la flebile speranza che metaquote tenga conto delle mie osservazioni quando implementerà il MO in MT5.
Questo è corretto per i sistemi di controllo automatico, ma assolutamente NON corretto per i modelli che operano nei mercati finanziari con processi non stazionari. Esiste un male, un male assoluto, chiamato "overtraining". Questo è il male principale (dopo la spazzatura degli input) che rende completamente inutilizzabile qualsiasi modello. Un buon modello dovrebbe sempre essere sub-ottimale, una sorta di grossolano della realtà. Credo che sia l'optimum globale a contribuire in modo particolare all'overtraining del modello.
Idea giusta per i sistemi di controllo automatico, ma assolutamente NON giusta per i modelli che operano nei mercati finanziari con processi non stazionari. Esiste un male, un male assoluto, chiamato "overtraining". Questo è il male principale (dopo la spazzatura degli input) che rende completamente inutilizzabile qualsiasi modello. Un buon modello dovrebbe sempre essere sub-ottimale, un po' più grossolano della realtà. Credo che sia l'optimum globale a contribuire in modo particolare all'overtraining del modello.
Sembra che vengano utilizzati concetti con contesti diversi.
Ad esempio, "plateau" è piuttosto un'ampia gamma di impostazioni del modo di ottenere fattori esterni che influenzano la logica del modello. Ad esempio, un'ampia gamma di efficienza del mashka sulla base del quale viene realizzato il predittore.
L'ottimizzazione con gli algoritmi MO, qui discussa, riguarda la costruzione della logica decisionale, mentre l'ottimizzazione nel tester di strategia riguarda solitamente la messa a punto dei dati di input, mentre la logica decisionale è già prescritta e al massimo presenta una variabilità.
I due tipi di ottimizzazione sono diversi: uno modifica lo spazio e l'altro le relazioni al suo interno.
A questo punto mi sono chiesto cosa mettere a punto per primo: segni/predittori o cercare un modello e poi cercare le impostazioni ottimali nell'ottimizzatore terminale. Tuttavia, è estremamente difficile cercare le impostazioni se ci sono molti dati di input.
È possibile cambiare spazio e logica contemporaneamente durante l'addestramento, forse dovremmo pensare a come farlo?
SanSanych Fomenko, dobbiamo aspettarci un campionamento?
Capisco. Lei ha una conoscenza superficiale dei modelli di apprendimento automatico.
Il primo elemento della catena è la preelaborazione, che richiede dal 50% al 70% del lavoro. È qui che si determina il successo futuro.
Il secondo elemento della catena è l'addestramento del modello sul set di addestramento.
Il terzo elemento della catena è l'esecuzione del modello addestrato sul set di test. Se le prestazioni del modello su questi set differiscono di almeno un terzo, il modello viene riqualificato. Succede ogni tanto, se non più spesso. Un modello sovrallenato è un modello troppo preciso. Scusate, le basi.