Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2842
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
Você também está, de fato, fazendo otimização. Você inventou um critério de "estacionariedade de recursos" e selecionou os recursos ideais de acordo com ele. É a mesma otimização na história, mas no perfil.
Definitivamente, deveríamos inventar um critério de robustez de TS e otimizar de acordo com ele.)Ótimo, em termos de tolerância.
Você vai a uma loja, escolhe uma calça - otimização de acordo com o seu número!
Aqui estamos falando de algo completamente diferente: o refinamento dos algoritmos de otimização disponíveis nos modelos. Eu me oponho ao refinamento de algoritmos de otimização já incorporados. Há um algoritmo no testador - tudo bem. O refinamento desse algoritmo não permitirá que você obtenha um TS lucrativo a partir de um algoritmo de drenagem. O mesmo se aplica aos algoritmos incorporados nos modelos.
Além disso, você deve ser extremamente cuidadoso ao otimizar os parâmetros do modelo, pois pode facilmente retreinar o modelo.
Cheguei ao pensamento mais importante: a conexão indubitável entre a otimização e o treinamento excessivo do modelo. O modelo deve ser sempre deixado de forma bastante "grosseira" e, certamente, não são necessárias otimizações globais.
Quando estou procurando uma lista aceitável de preditores - otimização no sentido tradicional. Mas o significado é bem diferente: tentar evitar a "entrada de lixo - saída de lixo". Há uma diferença qualitativa aqui em relação à tentativa de encontrar o algoritmo "certo" que encontra o ótimo global. Nenhum ótimo global proporcionará uma TS lucrativa sobre o lixo.
Maxim Vladimirovich, o que você acha do agrupamento quântico?
https://github.com/enniogit/Quantum_K-means
A palavra "otimização" tem uma má reputação em nosso fórum por motivos óbvios. Portanto, é compreensível que queiramos nos afastar dela de alguma forma e nem mesmo usar a palavra em si. No entanto, qualquer treinamento de um modelo MO é quase sempre uma otimização, portanto, não se pode tirar palavras de uma música.
Não quero magoar ninguém, ensinar-lhes sobre a vida ou explicar como fazer negócios. Escrevo apenas com uma leve esperança de que as metaquotes levem minhas observações em consideração ao implementar o MO no MT5.
Isso é correto para sistemas de controle automático, mas absolutamente NÃO é correto para modelos que operam em mercados financeiros com processos não estacionários. Existe um mal, um mal absoluto, chamado "treinamento excessivo". Esse é o principal mal (depois do lixo de entrada) que torna completamente inoperante qualquer modelo. Um bom modelo deve ser sempre subótimo, um pouco mais grosseiro do que a realidade. Acho que é o ótimo global que faz uma contribuição especial para o treinamento excessivo do modelo.
Ideia correta para sistemas de controle automático, mas absolutamente NÃO correta para modelos que operam em mercados financeiros com processos NÃO estacionários. Existe um mal, um mal absoluto, chamado "supertreinamento". Esse é o principal mal (depois do lixo de entrada) que torna completamente inoperante qualquer modelo. Um bom modelo deve ser sempre subótimo, um pouco mais grosseiro do que a realidade. Acho que é o ótimo global que faz uma contribuição especial para o treinamento excessivo do modelo.
Parece que são usados conceitos com contextos diferentes.
Por exemplo, "platô" é uma ampla gama de configurações da maneira de obter fatores externos que influenciam a lógica do modelo. Por exemplo, uma ampla gama de eficiência de mashka com base na qual o preditor é feito.
A otimização com algoritmos MO, discutida aqui, está relacionada à construção da lógica de decisão, enquanto a otimização no testador de estratégia geralmente está relacionada ao ajuste dos dados de entrada, enquanto a lógica de decisão já está prescrita e, na melhor das hipóteses, tem variabilidade.
Os dois tipos de otimização são diferentes - um altera o espaço e o outro as relações nele existentes.
Agora eu me perguntava o que ajustar primeiro - sinais/preditores ou procurar um modelo e depois procurar as configurações ideais no otimizador de terminal. No entanto, é extremamente difícil procurar configurações se houver muitos dados de entrada.
É possível alterar o espaço e a lógica de uma só vez durante o treinamento? Talvez devêssemos pensar em como fazer isso?
SanSanych Fomenko, devemos esperar a amostragem?
Estou entendendo. Você tem um conhecimento superficial dos modelos de aprendizado de máquina.
O primeiro elemento da cadeia é o pré-processamento, que consome de 50% a 70% do trabalho. É aqui que o sucesso futuro é determinado.
O segundo elemento da cadeia é o treinamento do modelo no conjunto de treinamento.
O terceiro elemento da cadeia é a execução do modelo treinado no conjunto de testes. Se o desempenho do modelo nesses conjuntos for diferente em pelo menos um terço, o modelo será retreinado. Isso acontece de vez em quando, se não com mais frequência. Um modelo com treinamento excessivo é um modelo que é preciso demais. Desculpe, o básico.