L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 956
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
Un altro libro utile sull'argomento
Buona fortuna
Né demo né reale ha funzionato finora per nessuno
In conclusione - sono tutti giocattoli, divertimento e giochi...
Né demo né reale ha funzionato finora per nessuno
Il risultato - è tutto giocattoli, intrattenimento e divertimento...
Il figlio di Napoleone ricevette un sonaglio di alluminio per il suo compleanno. L'alluminio non era buono per nient'altro).
YOOOOOOOOOOOOO!
Qualcosa in entrambe le direzioni ha usato la foresta. Nell'addestramento tutte le classi sono indovinate, nei dati di prova un po' meno, nei dati di prova un po' più del 50% cade nella classe cercata e anche i dati della classe negativa vi cadono (nella misura di circa il 50% della cercata).
Beh, al massimo ci sono pochi esempi e un po' meno della classe negativa nella classe di ricerca.
Che dubito che i dati possano essere divisi del tutto, almeno per un piccolo margine che avrà un effetto significativo sul commercio.
O non lo è?
Risultati intermedi degli esperimenti sugli alberi
Questo rapporto è per il 2017 - l'input è generato dalla condizione TC, senza filtri applicati, ma con supporto di posizione
Tutto uguale, ma l'input è generato dall'albero addestrato sul 2015 e 2016
E questo è l'ingresso del segnale ATS con i filtri
E questo è l'input di Tree con gli stessi filtri
Sì, i filtri sono stati ottimizzati per il 2016-2017, quindi è quasi un prdrong, ma perché l'albero non può allinearli è un mistero. D'altra parte, possiamo vedere che dove i filtri hanno schermato gli ingressi, l'albero è entrato e viceversa, il che è altrettanto interessante. E ciò che è interessante è che l'albero non prende in considerazione il risultato finanziario esatto quando si decide di ramificare, mentre l'ottimizzazione sulla storia si concentra sugli indicatori finanziari.
YOOOOOOOOOOOOO!
Qualcosa in entrambe le direzioni ha usato la foresta. Nell'addestramento tutte le classi sono indovinate, nei dati di prova un po' meno, nei dati di prova un po' più del 50% cade nella classe cercata e anche i dati della classe negativa vi cadono (nella misura di circa il 50% della cercata).
Beh, al massimo ci sono pochi esempi e un po' meno della classe negativa nella classe di ricerca.
Che dubito che i dati possano essere divisi del tutto, almeno per un piccolo margine che avrà un effetto significativo sul commercio.
O non lo è?
La foresta è una discarica in Africa se è cosparsa di rifiuti, e tu hai fornito la prova più concreta che non hai NESSUN predittatore rilevante per la variabile obiettivo.
Una foresta è una discarica se la riempi di rifiuti, e tu hai dato la prova più concreta che non hai affatto predittori rilevanti per la variabile obiettivo.
È come se dovessero dividere per l'obiettivo? :DDDDDD
mostratemi un test e un grafico dove la relazione è presente
non so perché non me l'ha mostrato... come quel fxsaber mi ha recentemente bannato... almeno lui sa di cosa sta parlando... certamente non ha scritto di cercare i predittori attraverso la foresta e altri pacchetti perché il rapporto non può essere trovato nel mercato usando tali metodi
Una foresta è una discarica se la si riempie di spazzatura, e voi avete fornito la prova più concreta che non avete NESSUN predittatore rilevante per la variabile obiettivo.
Ecco a voi. Molti esempi mostrano quando train=>validation. E avete bisogno di train=>validation=>test (dati di test, che l'algoritmo non vede affatto, ma predice solo il modello addestrato, su train, validation)
Quindi quegli esempi in cui vengono mostrati i risultati del treno e poi la convalida non dice nulla. Ho un sacco di esempi in cui la convalida ti porta al 95% dell'obiettivo.
E usano il controllo incrociato a K-10. Tutto sommato, mi viene il sovrallenamento.
Ho un sacco di esempi in cui posso indovinare il 95% dei miei obiettivi.
l'ha trovato, ha trovato dove ho scritto:
M. Gunter. Assiomi di uno speculatore azionario:
Assioma ausiliario n. 5. Attenzione alla trappola dei parallelismi storici.
Assioma ausiliario #6. Attenzione all'illusione delle figure che si ripetono.
Assioma ausiliario n. 7. Attenzione all'illusione che esistano correlazione e causalità.
hmm, non è un brutto abbinamento con Gunther? ))))
l'ha trovato, ha trovato dove ho scritto:
hmmm, non è un cattivo abbinamento con Gunther? ))))
Lo so da molto tempo. Credo di averla superata in 'terza elementare'. Non sorpreso))))