Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1439
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
reescrever realisticamente todo o TS sob catbust para tentar... há muita chatice, também. Mas o facto é que a aprendizagem em pequenos conjuntos de dados florestais generaliza bem e funciona, por exemplo, em amostras de 2-5k, aumentando apenas 2 vezes, com os mesmos dados, a reciclagem completa. Isto é um facto.Tentei pequenos conjuntos de dados, há semanas com um erro de 30% e na semana seguinte 60-70%. O que dá uma média de 50%.
Tentei pequenos conjuntos de dados, às vezes uma semana com um erro de 30% e nas seguintes 60-70%. Que chega em média a 50%.
Por exemplo, se eu treinar durante um mês, funciona quase tão bem quanto durante um ano com novos dados. Treino durante 2-3 meses - já não funciona... uma treta qualquer.
e os erros do modelo são os mesmosPor exemplo, se eu treinar durante um mês, funciona quase tão bem quanto durante um ano com novos dados. Eu treino durante 2-3 meses - já não funciona... algum tipo de treta
É no seu sistema de auto-aprendizagem que estão os resultados?
Sim, com alguns truques. Uma que vou revelar - adicionar amostras intermediárias ao modelo. Por exemplo, havia um sinal para abrir um comércio de compra, desde que aberto, em cada nova barra adicionar outra amostra com a mesma marca de compra, com novas leituras de fichas, respectivamente. Isto irá reduzir muito o erro. Algum tipo de duplicação de amostras.
Pode não reduzir o erro em algum modelo, mas no meu sim.Sim, com alguns truques. Uma que vou revelar - adicionar amostras intermediárias ao modelo. Por exemplo, havia um sinal para abrir um comércio de compra, desde que aberto, em cada nova barra adicionar outra amostra com a mesma marca de compra, com novas leituras de fichas, respectivamente. Isto irá reduzir muito o erro. Algum tipo de duplicação de amostras.
Com este truque, vais testar mais variações.
Bem, é uma espécie de correspondência de alvos na primeira corrida. O resto dos ciclos são essencialmente apenas aprendizagem com o professor desde a primeira corrida.
Com este truque você vai testar mais variações.
Não estou a perceber. Ao invés disso, é uma duplicação de amostras. Normalmente você apenas alimenta sinais de compra e venda sem se importar com o comportamento do mercado entre esses sinais. Se você adicionar amostras de suporte intermediário, então o modelo automaticamente classifica melhor.
Por exemplo, se eu tiver realmente 1000 amostras-sinais, então junto com os reforços intermediários são 5k ou maisA poda deve controlar a integridade, ou seja, cortar para uma cobertura de amostra de pelo menos 0,5-1%.
O quê? Cortar empiricamente até à profundidade certa.
a completude de quê? Cortar empiricamente até à profundidade certa.
A lista deve conter pelo menos uma determinada porcentagem de exemplos da amostra, se menos, você corta as divisões. Quanto mais exemplos, mais provável a regularidade - tudo aqui é simples.
Sim, com alguns truques. Uma que vou revelar - adicionar amostras intermediárias ao modelo. Por exemplo, havia um sinal para abrir um comércio de compra, desde que aberto, em cada nova barra adicionar outra amostra com a mesma marca de compra, com novas leituras de fichas, respectivamente. Isto irá reduzir muito o erro. Algum tipo de duplicação de amostras.
Talvez em algum modelo não reduza o erro, mas no meu reduz fortemente.Comecei com esta abordagem, mas pelo contrário, tentei encontrar suavidade na curva de classificação correta do ponto de entrada ao ponto de saída, mas minha abordagem requer muita potência computacional - então tive que abandoná-la. Você tem o contrário, é interessante, há potencial para contra-tendência... Estou apenas a pensar como posso implementar algo semelhante ao MO, que funciona nos meus sinais - não sei como treinar, mas há obviamente algum potencial lá.
Não estou a perceber. Ao invés disso, é uma duplicação de amostras. Normalmente você apenas alimenta os sinais de compra e venda sem se importar como o mercado se comporta entre esses sinais. Se você adicionar amostras de suporte intermediário, o modelo se classifica melhor.
Por exemplo, se eu tiver 1000 amostras-sinais, então junto com o suporte intermediário é 5k ou mais.Eu também notei e apliquei, mas até onde entendi funciona porque os dados são uma porcaria, e tal truque ajuda a treinar em uma série de aberrações. Se você não o fizer, o modelo se encaixa em um corretor ou até mesmo às vezes deixa de funcionar após algumas atualizações de recarga de dados no mesmo terminal.