Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 351
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Na verdade, isto não está certo, imho.
À medida que o sistema se torna mais complexo, a rentabilidade e a estabilidade devem aumentar ao mesmo tempo. Ou seja, à medida que o sistema se torna mais complexo, as suas propriedades de utilizador devem aumentar.
Absolutamente NÃO está correcto.
Os critérios informativos, vários acaicos ali, têm como objectivo minimizar a complexidade do modelo. O embrutecimento do modelo é uma ferramenta muito eficaz para combater o principal mal do comércio - o excesso de formação.
Maxim Dmitrievsky:
Para o diabo com isso.
Basta pegar o mais simples - uma floresta aleatória. Normalmente temos aulas como resultado do treino. Na realidade, o algoritmo dá probabilidade de uma classe da qual se obtém uma classe. Normalmente dividimos a probabilidade ao meio para duas classes.
Que tal dividir em classes: 0 - 0.1 é uma classe e 0.9 - 1.0 é outra classe? E a diferença entre 0,1 - 0,9 está fora do mercado?
Foi isto que eu vi no artigo.
Completamente NÃO é verdade.
Os critérios informativos, vários acaicos ali, têm como objectivo minimizar a complexidade do modelo. O modelo é uma ferramenta muito eficaz para combater o principal mal do comércio - o excesso de treinamento (overtraining).
Eu não sei porque é que está errado). Da segunda frase, estamos a falar da mesma coisa.
Há um texto no meu post que não está correto. Então você revela esta posição.
A regra geral é: obter um grande sistema em termos de rentabilidade e depois piorá-lo em termos de rentabilidade, na esperança de ganhar algo muito mais importante: a sustentabilidade no futuro.
Há um texto no meu post que não está correto. Você expõe ainda mais esta posição.
A regra geral é: conseguir um grande sistema em termos de rentabilidade, e depois piorá-lo em termos de rentabilidade, na esperança de conseguir algo muito mais importante: a sustentabilidade no futuro.
Bem, à medida que a estabilidade aumenta, também aumenta a rentabilidade, pelo menos reduzindo o número de negócios perdidos. Os rentáveis são afectados em menor medida.
Se não for assim, então há algo de errado com a informatividade dos preditores. Em qualquer caso, a relação lucro/perda só deve crescer com o aumento da complexidade.
A estabilidade aumenta, e a rentabilidade também, pelo menos reduzindo o número de negócios perdidos. Os rentáveis são afectados em menor medida.
Se não for assim, então há algo de errado com a informatividade dos preditores. De qualquer forma, a relação lucro/perda deve crescer em conjunto com a complicação.
Você sabe melhor, embora o mundo inteiro seja da opinião exactamente oposta.
A estabilidade aumenta, e a rentabilidade também, pelo menos reduzindo o número de negócios perdidos. Os rentáveis são afectados em menor medida.
Se não for assim, então há algo de errado com a informatividade dos preditores. Em qualquer caso, com o aumento da complexidade, a relação lucro/perda só deve crescer.
Faa escreve a idéia correta, mas ele a afirma incorretamente.
Você tem uma série e um conjunto de preditores. Você divide a série em três partes - amostra de treinamento e para frente (caso mais simples).
Você constrói, por exemplo, 20 modelos.
A questão é que a seleção de um modelo da lista não é feita pelo melhor da amostra de treinamento e não pelo melhor da amostra de frente. É seleccionado um modelo que dá as mesmas pontuações de qualidade tanto no treino como no avanço.
Você sabe melhor, embora o mundo inteiro tenha exatamente a visão oposta.
A essência - a seleção de um modelo da lista não se baseia no critério do melhor na amostra de treinamento e não no critério do melhor no futuro. É seleccionado um modelo que dá quase a mesma qualidade na amostra de treino e na amostra de avanço.
Isto não está em dúvida. Apenas o funcionamento real ou o teste do sistema se destinava.
Na verdade, isto não está certo, imho.
À medida que o sistema se torna mais complexo, a rentabilidade e a estabilidade devem aumentar ao mesmo tempo. Em outras palavras, à medida que o sistema se torna mais complexo, suas propriedades de usuário devem aumentar.
Usando o exemplo do desenvolvimento manual:
1. nós pegamos uma idéia de negociação nua e criamos um simples TS, otimizando o lucro (as perdas podem ser completamente ignoradas).
2. introduzir restrições que minimizem o número de negócios perdidos. É claro que parte dos negócios acidentalmente rentáveis irá embora e em parte dos rentáveis o lucro irá diminuir, mas os drawdowns irão também diminuir, e como resultado a soma dos lucros e perdas irá aumentar.
Outras complicações levam apenas ao aumento do lucro, pelo menos devido à diminuição do número de negócios perdidos.
Se a quantia de lucros e perdas não aumentar como resultado de complicações, devemos estar fazendo algo errado. Por exemplo, nós introduzimos condições ineficientes.
Que errado, você está criando um modelo de classificação. Quanto maior for a amostra, mais forte é a generalização, o modelo se torna mais estável em geral e menos preciso em particularidades, portanto menos lucro
Se você treiná-lo em uma amostra pequena, pode ser muito preciso em uma amostra curta, mas instável em uma amostra longa.