L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3038
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
Nemmeno io sono un fan, ma Alexei dice che funziona.
La domanda è perché non lo usa) a quanto pare non è molto soddisfatto del risultato.
Risulta che seleziona le regole, ma dovremmo capire che alcune di esse non funzionano costantemente da un anno all'altro, alcune smettono di funzionare del tutto, e l'altra parte continua a funzionare costantemente.
Naturalmente, siamo interessati a quelle che continuano a funzionare: ciò che le distingue dalle altre è il mistero che migliorerà significativamente qualsiasi TS.
È proprio questo che sto cercando di aumentare potenzialmente il numero di regole valide, selezionando un numero limitato di sezioni di predittori per esse. Per fare questo, dobbiamo identificare le aree di prestazioni "stabili" di ciascun predittore che saranno utilizzate per creare le regole. Questo è il compito che mi interessa attualmente.
Non ho fatto esperimenti con altri obiettivi, perché sto cercando un modo meno costoso di quello che ho per estrarre queste regole.
Ho capito bene che avete deciso di non fare una collaborazione per confrontare i due metodi?
Si scopre che seleziona le regole, ma dobbiamo renderci conto che alcune di esse non funzionano costantemente da un anno all'altro, altre smettono di funzionare del tutto, mentre l'altra parte continua a funzionare costantemente.
Naturalmente, siamo interessati a quelle che continuano a funzionare: ciò che le distingue dalle altre è il mistero che migliorerà significativamente qualsiasi TS.
È proprio questo che sto cercando di aumentare potenzialmente il numero di regole valide, selezionando un numero limitato di sezioni di predittori per esse. Per fare questo, dobbiamo identificare le aree di prestazioni "stabili" di ciascun predittore che saranno utilizzate per creare le regole. Questo è il compito che mi interessa attualmente.
Non ho sperimentato altri obiettivi, perché sto cercando un modo meno costoso di quello che ho per estrarre queste regole.
Ho capito bene che avete deciso di non fare una collaborazione per confrontare i due metodi?
Per ora sto pensando di farlo in automatico.
Si scopre che seleziona le regole, ma dobbiamo renderci conto che alcune di esse non funzionano costantemente da un anno all'altro, altre smettono di funzionare del tutto, mentre l' altra parte continua a funzionare costantemente.
La verità è che se prendiamo 1000 TC a caso, avremo esattamente gli stessi risultati.
Inoltre, se facciamo un altro campione per il test, un quarto tipo - Train-Test-Valid-Test2.
scopriamo che "l'altra parte continua a funzionare costantemente".
esattamente lo stesso non funzionerà ))
È tutto casuale e il modello trovato è effettivamente casuale.
la verità è che se si prendono 1.000 TC a caso, si ottengono esattamente gli stessi risultati.
Inoltre, se facciamo un altro campione per il test, un quarto tipo - Train-Test-Valid-Test2.
si scoprirà che "l'altra parte continua a lavorare costantemente".
non funzionerà allo stesso modo))
È tutto casuale e lo schema che trovate è effettivamente casuale.
Ho addestrato 10000 modelli e so che non è questo il caso - la maggior parte di essi smette di funzionare su nuovi dati.
E le foglie - sì, a quanto pare non hai letto con attenzione - ho scritto che mi sono allenato su dati dal 2014 al 2019 (un paio di mesi), compresa la convalida, e ho mostrato come hanno funzionato nel 2021 - cioè qui c'era un test onesto, senza guardare al futuro - in profitto del 50%.
Forse tutto è casuale, ma ogni casuale ha una ciclicità in base alla quale accade che non sia casuale :)
Ho addestrato 10000 modelli e so che non è così: la maggior parte di essi smette di funzionare con nuovi dati.
E le foglie - sì, non hai letto con attenzione a quanto pare - ho scritto che mi sono allenato sui dati dal 2014 al 2019 (un paio di mesi), compresa la convalida, e ho mostrato come funzionavano nel 2021 - cioè qui c'era un test onesto, senza guardare al futuro - in profitto del 50%.
Forse tutto è casuale, ma ogni casuale ha una ciclicità, secondo la quale non è casuale :)
Ad esempio, se si ottiene uno stato stazionario tramite FF, questo caratterizzerà uno stato stazionario TC? Tutti si rendono conto che questo è kurwafitting
Il FS deve descrivere le regole di un TC stabile. Se il TC si rivela instabile, allora le regole del FF sono sbagliate.
Il problema è che nessuno è ancora riuscito a trovare tali regole per la FF (almeno io non le ho viste). Ci sono due modi: o semplificare la ST in modo che abbia il minor numero possibile di gradi di libertà, il che significa che è più probabile che sia stabile drenante o stabile versante, o trovare regole per la FF, che è un modo più complicato.
In generale, non esiste un insieme universale di azioni per un costruttore di graal. C'è una terza via: creare un'intelligenza artificiale flessibile ad autoapprendimento come ChatGPT, ma anche in questo caso c'è la FF che viene usata per l'addestramento. Volevo dire una cosa: il FF sarà sempre presente in una forma o nell'altra, non c'è modo di liberarsene.
Il problema non è nella costruzione di una TS stabile, ma nelle caratteristiche descrittive che vengono inserite nella FF.
Il FF dovrebbe descrivere le regole di una CT stabile. Se la CT si rivela instabile, allora le regole del FF sono sbagliate.
Il problema è che nessuno è riuscito a trovare tali regole per le FF (almeno io non le ho viste). Ci sono due modi: o semplificare la ST in modo che abbia il minor numero possibile di gradi di libertà, il che significa che è più probabile che sia stabile drenante o stabile versante, o trovare regole per i FF, che è un modo più complicato.
In generale, non esiste un insieme universale di azioni per un costruttore di graal. C'è una terza via: creare un'intelligenza artificiale flessibile ad autoapprendimento come ChatGPT, ma anche in questo caso c'è la FF che viene usata per l'addestramento. Volevo dire una cosa: il FF sarà sempre presente in una forma o nell'altra, non c'è modo di liberarsene.
Il problema non è nella costruzione di una TS stabile, ma nelle caratteristiche descrittive che vengono inserite nella FF.
Ragionamento corretto e competente, ovviamente contraddittorio - "... non nella costruzione di un TS sostenibile", ma solo nella tecnologia di costruzione/selezione/evoluzione di TS redditizi e sostenibili, per la quale ci stiamo impegnando.
Il FF dovrebbe descrivere le regole di una CT stabile. Se la CT si rivela instabile, allora le regole del FF sono sbagliate.
La FF non può risolvere alcun problema per definizione. O c'è COSÌ tanto da migliorare dell'unità per cento o non c'è. Non si può migliorare la spazzatura, per quanto si possa scavare nella spazzatura, la spazzatura rimarrà spazzatura.
Pertanto, le considerazioni iniziali sulla relazione tra obiettivo e predittori sono iniziali . Inoltre, è necessaria una valutazione quantitativa di questa relazione, e non solo una valutazione della relazione, ma anche una valutazione quantitativa della capacità dei predittori di prevedere i valori futuri della variabile target (l'insegnante). Non c'è posto per la FF in questa catena di ragionamenti, per cui si può senza mezzi termini prendere un algoritmo di MO, che ne esistono centinaia, e usarli come scatole nere senza cercare di "migliorare" nulla negli algoritmi specifici.
Inoltre, le classi di FF sono una cosa difficile - l'odore di adattamento eccessivo alla storia è troppo forte.
Esattamente, nessuno. Non è chiaro perché si continui a parlare del 20% come di un risultato...
Né il 20%, né l'8%, né il 50% significano qualcosa. I numeri non significano nulla.
Il bilancio è interessante. Nessun grafico?
Avete una colonna chiamata errore di classificazione, ora la classificazione è irrilevante.
È impossibile da capire. Vorrei poterlo fare.
Forse può esporre i suoi risultati in modo più chiaro?