Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1545
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
Tente prever não o sinal de aumento, mas por exemplo, o preço do próximo joelho em ziguezague ou algo melhor. ou algo assim, você deve usar a regressão em vez da classificação, mas a regressão não um passo à frente, mas procure o extremo. Acho que você ficará agradavelmente surpreso.
Infelizmente, milagres nunca acontecem, variáveis agregadas como preço (extremo, etc.) não são de todo previstas, bem, não muito melhor do que com uma varinha (ou seja, nada) e as relativas (desvio de preço do extremo) são tão más quanto os incrementos.
Infelizmente, milagres nunca acontecem, variáveis agregadas como preço (extremo, etc.) não podem ser previstas, bem, não muito melhor do que com uma varinha (ou seja, nada), e variáveis relativas (desvio do preço do extremo) fazem tão mal quanto os incrementos.
Digo-vos isto, o extremo que será o mais significativo na próxima hora, por exemplo, é mais fácil de prever do que o valor de uma vela vela de arrasto, ou a cor da vela, ou a direcção de um ziguezague, ou...
Pelo menos é verdade para mim e tem uma explicação razoável.
python testter, liba - há muitos outros
Quanto a tudo o resto - agora estou a correr com parâmetros diferentes e o entusiasmo desapareceu, o mesmo excesso de equipamento que na floresta.
é fácil ver onde há uma pista e onde há um teste. Isto é, em essência, nada mudou, o catbust não deu uma vantagem.
Vou tentar mais tarde.
Se você acha que o excesso de treinamento, então pare de gerar árvores mais cedo, mas a julgar pelo número de negócios lá é mais provável que haja sub-treinamento...
O que você recebe por diferentes amostras de Precision and Recall?
Você tem uma amostra no arquivo - seria interessante tentar comparar a dinâmica de treinamento com os meus dados, se eu tiver um bom modelo, eu o enviarei para você.
A propósito, decidi tentar tirar folhas do CatBoost, não sei se vou encontrar boas entre elas ou a ideia de se impulsionar não supõe isso, o que acha?
Digo-vos isto, o extremo que será o mais significativo na próxima hora, por exemplo, é mais fácil de prever do que o valor de uma vela, ou a cor do candelabro, ou a direcção de um zig-zag ou...
Pelo menos, isto é verdade para mim e há uma explicação razoável.
O que significa "o extremo mais significativo" - como se verifica mais tarde se é significativo ou não?
O que é uma explicação razoável para tudo isto - bastante interessante.
Se você pensa em sobretreinamento, então pare de gerar árvores mais cedo, mas a julgar pelo número de negócios é mais provável que haja subtreinamento...
O que você recebe por diferentes amostras de Precision and Recall?
Você tem uma amostra no arquivo - seria interessante tentar comparar a dinâmica de aprendizagem com os meus dados, se eu tiver um bom modelo, eu o enviarei para você.
A propósito, decidi tentar tirar folhas de árvores do CatBoost - não sei se vou encontrar boas entre elas, ou a própria ideologia impulsionadora não sugere isso, o que você acha?
sobre-aprendizagem no sentido de uma fraca generalização. Eu já escrevi acima como você pode contornar o problema, mas há abordagens mais elegantes, tenho certeza.
não há qualquer problema com a qualidade do comboio + problema de validação
Vejo que todos estão tentando treinar a rede com a ajuda de um professor.
Alguém tentou treinar uma função-alvo, como o factor de recuperação?
para tirar as folhas das árvores do CatBoost - Não sei se há bons exemplares entre eles, ou acha que a ideologia do impulso não sugere isso?
Não, não tem.
A primeira árvore no XGBoost é um modelo rudimentar. Os restantes corrigem o primeiro com coeficiente microscópico. Não se consegue pôr nada a trabalhar lá individualmente, eles só dão bons resultados com toda a multidão.Em catbust aparentemente o mesmo princípio básico, com suas próprias peculiaridades.
Quanto a tudo o resto - agora estou a correr com parâmetros diferentes e o entusiasmo desapareceu, o mesmo excesso de equipamento que a floresta.
é fácil ver onde está a pista e onde está o teste. Ou seja, na verdade, nada mudou, o katbust não deu vantagens.
Obviamente não vale a pena complicar o sistema com o conjunto de MQL + Python + Catbust. E eu vou procurar regularidades com a floresta de algibu.
Se existe um padrão, deixe a floresta aprendê-lo em 90%, não em 99% como um catbust. O principal é encontrá-lo, e depois perseguir as percentagens. Neste momento, ambos são cerca de 50%.
Parece que com estas florestas todos foram para o deserto,
e é impossível sair de lá sem ajuda ))))
Aparentemente não vale a pena complicar o sistema com MQL + Python + Catbust. E para procurar regularidades com a floresta Algiba.
Se existe um relacionamento, deixe a floresta lhe ensinar 90% do tempo, e não 99% como o Catbust. O principal é encontrá-lo, e depois perseguir percentagens. Neste momento, temos cerca de 50% em ambos os casos.
Se não tens nada com que comparar, nunca vais entender nada.