Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 415
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
Muito bem, agora que estás no ponto, vou dizer-te uma ideia sobre a recolha de dados para processamento. É realmente difícil treinar um modelo com um alto nível de generalização numa área suficientemente grande, porque o mercado é um organismo vivo e blá, blá, blá, blá. Quanto mais longo o período de treino, pior é o desempenho do modelo, mas mais longo. Objetivo: Fazer um modelo de longo prazo. Divisão ou método dois, porém para aqueles que utilizam um comitê de duas redes.
Temos três estados: "Sim", "Não" e "Não sei", quando as grelhas aparecem em direcções diferentes.
Nós treinamos a rede em toda a secção, no nosso caso 452 entradas. A rede aprendeu este conjunto em 55-60%, assumindo que as respostas "Não Sabe" na amostra de treinamento foram de 50%, portanto, 226 sinais que a rede não pôde aprender. OK, agora nós construímos um novo modelo SOMENTE sobre os estados "Não sei", ou seja, tentamos construir o modelo sobre estados tão quase-estatais que enganaram o primeiro modelo. O resultado é aproximadamente o mesmo de 226, apenas metade será reconhecida, o resto terá o estado "Não sei", depois construirá o modelo novamente. o resultado é 113, depois 56, depois 28, depois 14. Em 14 entradas não conhecidas por nenhum dos modelos anteriores, o Jprediction Optimizer calcula normalmente até 100% de generalizabilidade.
Como resultado, temos um "Sistema Padrão" que reconhece todo o mercado em um período de três meses.
Aqui está outra maneira, além do "Contexto do Dia" Como você pode dividir o mercado em subespaços e realizar treinamentos, obtendo exatamente o "Sistema Padrão" Aqui está um exemplo....
Uma abordagem interessante. Vou ter de experimentar... Já foi testado, pelo menos em demonstração? Seria interessante ver o sinal.
Tudo isto está fora de amostra desde as 05.29 em 15 minutos. Já está na sua terceira semana. Mas se não ganhar mais, então em princípio a abordagem vale uma ninharia, mas eu acredito...... :-)
Na minha opinião, reciclar a NS uma vez por semana nos fins de semana seria aceitável. Por isso acho que é possível usar... Não é necessário definir tarefas para negociar durante 3 semanas, 3 meses, um ano de lucro, sem reciclagem. E, ao se reciclar uma vez por semana, o seu NS será sempre ajustado aos mais recentes padrões de mercado.
Uma abordagem interessante. Vou ter de experimentar... Já o puseste em funcionamento, pelo menos em demonstração? Seria interessante ver o sinal.
Na minha opinião, reciclar a NS uma vez por semana nos fins de semana seria aceitável. Por isso acho que podemos usá-lo... Não quero que ele troque durante 3 semanas, 3 meses, um ano de lucro sem reciclagem. E a reciclagem uma vez por semana o seu NS será sempre ajustado aos mais recentes padrões de mercado.
Você precisa de um EA robusto, eu fiz um para o testador, o último com muitos negócios, é apenas o trabalho de três modelos.
Fiz alguns scripts que funcionam de acordo com o algoritmo da EA, vou executá-los manualmente ao sinal, e depois veremos...
Muito bem, agora que estás no ponto, vou dizer-te uma ideia sobre a recolha de dados para processamento. É realmente difícil treinar um modelo com um alto nível de generalização numa área suficientemente grande, porque o mercado é um organismo vivo e blá, blá, blá, blá. Quanto mais longo o período de treino, pior é o desempenho do modelo, mas mais longo. Objetivo: Fazer um modelo de longo prazo. Divisão ou método dois, porém para aqueles que utilizam um comitê de duas redes.
Temos três estados: "Sim", "Não" e "Não sei", quando as grelhas aparecem em direcções diferentes.
Nós treinamos a rede em toda a secção, no nosso caso 452 entradas. A rede aprendeu este conjunto em 55-60%, assumindo que as respostas "Não Sabe" no conjunto de treinamento foram 50%, então 226 sinais que a rede não pôde aprender. Ok, agora nós construímos um novo modelo SOMENTE sobre os estados "Não sei", ou seja, tentamos construir o modelo sobre estados tão quase-estatais que enganaram o primeiro modelo. O resultado é aproximadamente o mesmo de 226, apenas metade será reconhecida, o resto terá o estado "Não sei", depois construirá o modelo novamente. o resultado é 113, depois 56, depois 28, depois 14. Em 14 entradas não conhecidas por nenhum dos modelos anteriores, o Jprediction Optimizer calcula normalmente até 100% de generalizabilidade.
Como resultado, temos um "Sistema Padrão" que reconhece todo o mercado em um período de três meses.
Aqui está outra maneira além do "Contexto do Dia" Como você pode dividir o mercado em subespaços e produzir treinamento obtendo exatamente um "Sistema de Padrões" Aqui está um exemplo....
------------------------------------------------------------
Este método é chamado "boosting" -Boosting é um procedimento de construção sequencial de uma composição de algoritmos de aprendizagem de máquina onde cada algoritmo sucessivo tenta compensar deficiências na composição de todos os algoritmos anteriores.Boosting é um algoritmo ganancioso para construir uma composição de algoritmos.
A mais famosa aplicação recente é a XGBoost.
Boa sorte.
Seleção do prognosticador com LASSO
Sim, este algoritmo não precisa de remover variáveis altamente correlacionadas. Ele lida bem com eles por si só.
Mas usou-o há muito tempo, quando a regressão era interessante.
Boa sorte.
Dr. Trader:
Sim, não tanto, com tais resultados, é melhor você adotar o paradigma, "o principal não é ganhar, mas participar", na verdade eu perdi minha conta, provavelmente não conscientemente, por vergonha também, de nós como o Feiticeiro deu esperança, mas também saiu do caminho, não podia suportar a pressão da competição. Talvez valha a pena admitir que existem especialistas muito melhores que nós (centenas, milhares de vezes...), eles estudaram em Harvard e usam supercomputadores.
Os especialistas são muito melhores do que nós (centenas, milhares de vezes...), estudaram em Harvard e usam supercomputadores.
não milhares de vezes... se você olhar para o prêmio de primeiro lugar o campeão é apenas 1000 / 2.09 = 478.47 vezes melhor do que eu
não em milhares... se você olhar para o primeiro lugar, o campeão é melhor do que eu por apenas 1000 / 2.09 = 478.47 vezes
Um pagamento em 478,47 vezes, mas no rendimento acumulado há tipos por 10000 dólares que é mais de 3000 vezes melhor que você, uma esperança para o Wizard, mas eu acho que ele tem vergonha de discutir este assunto desagradável.
Boring...... :-( Você treina, você treina, você escolhe modelos, você trabalha, por assim dizer. Mas o que você faz quando o modelo é construído e tudo o que você tem que fazer é trabalhar nele.......?
Boring...... :-( Você treina, você treina, você escolhe modelos, você trabalha, por assim dizer. Mas o que você faz quando um modelo é construído e tudo o que você tem que fazer é trabalhar nele.......?
Raramente acontece, é melhor ir a algum lugar para descansar até que seu cérebro proteste e comece a exigir a escrita de códigos, Tailândia, Indonésia, Maldivas, por exemplo.