Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2591
![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
Sim, de acordo com isso é possível testá-lo e otimizá-lo como um bot usual no MT5, para pesquisar parâmetros externos. É rapidamente testado em barras, mas pode haver lentidão nos carrapatos porque as árvores são avaliadas durante muito tempo por elas próprias.
Bem, depois de adicionar o ML um não quer optimizar mais nada. O vento de excesso de equipamento sopra desse lado). Embora se as velocidades forem normais, você pode ao menos tentar com certeza. Em geral, sim, por causa de não ser a melhor velocidade de integração, eu tenho prestado pouca atenção ao trader add-on sobre o ML, se assim integrado e no testador condicionalmente-nativo é possível testar e velocidades normais, certamente abre horizontes adicionais de possibilidades.
E em geral, velocidades melhores (relativamente à minha solução, acho que haverá uma diferença normal na velocidade) é sempre bom - tanto quando há muitos robôs como quando os prazos são pequenos e a velocidade é mais crítica.
No espaço de parâmetros do modelo? Tem uma enorme dimensionalidade. Isto só é possível para modelos muito simples com um pequeno número de preditores.
Não está muito claro como é possível construir uma superfície no espaço de grande dimensionalidade. Nós simplesmente temos muito poucos pontos em comparação com esta dimensionalidade. A menos que por alguma visualização de redução dimensional como PCA, etc., mas o ponto não é claro.
Está tudo misturado numa pilha.
Que parâmetros do modelo estamos a discutir?
Se o modelo é algo do MO, isso é uma coisa, se o modelo é um EA em um testador, isso é outra bem diferente.
Os modelos que são otimizados no testador normalmente não são sobre nada. Por exemplo, pegamos num demolidor e começamos a escolher um período e a obter alguns resultados. Se existem muitos desses "feiticeiros" com seus próprios parâmetros, nós não obtemos superfícies lisas como resultado, nós escolhemos picos aleatórios que podem coincidir no futuro. Porquê? Para mim a resposta é óbvia: os parâmetros destes "toalhetes" NÃO são relevantes para o desempenho do modelo, é apenas ruído.
Outra coisa é se os parâmetros do modelo em MO são um conjunto de preditores, então o problema pode ser colocado de forma significativa: o preditor/não preditor se relaciona ou não com o RESULTADO da simulação. Se sim, o que tem a ver com o RESULTADO da modelagem? A situação é semelhante quando escolhemos modelos: RF, neuronc ou algo mais .....
Está tudo misturado numa pilha.
Que parâmetros do modelo estamos a discutir?
Se o modelo é algo do MO, isso é uma coisa, se o modelo é um EA no testador, isso é outra bem diferente.
Os modelos que são otimizados no testador normalmente não são sobre nada. Por exemplo, pegamos num demolidor e começamos a escolher um período e a obter alguns resultados. Se existem muitos desses "feiticeiros" com seus próprios parâmetros, nós não obtemos superfícies lisas como resultado, nós escolhemos picos aleatórios que podem coincidir no futuro. Porquê? Para mim a resposta é óbvia: os parâmetros destes "toalhetes" NÃO são relevantes para o desempenho do modelo, é apenas ruído.
Outra coisa é se os parâmetros do modelo em MO são um conjunto de preditores, então o problema pode ser colocado de uma forma significativa: o preditor/não preditor se relaciona ou não com o RESULTADO da simulação. A situação é semelhante se escolhermos modelos: RF, neurônica ou algo mais .....
Na verdade, tudo se soma. Os parâmetros são parâmetros, os preditores são preditores. No seu exemplo com as chupetas: os parâmetros são os seus períodos e os preditores são os valores dessas chupetas. Para uma ou duas bolas não é difícil construir a superfície necessária, mas para centenas de bolas o significado já está completamente perdido devido à crescente dimensionalidade dos espaços preditor e parâmetro.
Não vejo uma diferença fundamental entre modelos no testador e nos pacotes de MO - a diferença é apenas técnica (capacidades do software utilizado).
Na verdade, está tudo num monte. Os parâmetros são parâmetros, os preditores são preditores. No seu exemplo das chupetas: os parâmetros são os seus períodos, e os preditores são os valores dessas chupetas. Para uma ou duas bolas não é difícil construir a superfície necessária, mas para centenas de bolas o sentido já está completamente perdido devido à crescente dimensionalidade dos espaços preditor e parâmetro.
Não vejo uma diferença fundamental entre modelos no testador e nos pacotes de MO - a diferença é apenas técnica (capacidades do software utilizado).
Eu não gosto de interferir, mas apenas uma observação sobre centenas ou outros MA ...há um limite para o seu número razoável e não é superior a 1.386*ln(N) (onde N é toda a história observada)
A análise da superfície de otimização é também uma espada de dois gumes. E chegar a um planalto não garante nada, embora dê um incentivo temporário até o momento de perceber que é hora de ir para a fábrica.
Críticas divinas
Trying :)
Gostaria de entender a diferença entre um 'plateau' e um mínimo global