Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2595
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
Acontece então que você tem que treinar em uma seção o mais curta possível. Para que, após a mudança do padrão, o novo padrão comece a funcionar mais rapidamente.
Por exemplo, se você treinar por 12 meses, então após uma mudança de padrão em 6 meses, o novo e o antigo padrão será 50/50. E dentro de cerca de um ano haverá treinamento e negociações sobre o novo padrão. Isto é, durante quase um ano inteiro o padrão tem sido negociado em um padrão ultrapassado e muito provavelmente perdendo.
Se você treinar por 1 mês, o padrão irá aprender a trabalhar corretamente novamente em um mês.
Seria bom treinar durante uma semana... Mas não há dados suficientes.
Não vale a pena ir por um curto período, tenho a certeza. E faltarão os dados para os modelos e o risco de adaptação excessiva às condições do mercado. O conceito de adaptação parece bom, mas por causa do atraso (enquanto dados acumulados, o estado pode já ter mudado) dificilmente é um graal. Vários modelos podem ser experimentados ao mesmo tempo - um é responsável por padrões de longo prazo, outro/outros por padrões de curto prazo (corrente), a solução é uma função das soluções de todos estes modelos.
Existem mais questões interessantes sobre o uso de MO nas negociações. Por exemplo, um algoritmo para determinar qual o intervalo do histórico a ser utilizado para o treinamento. Talvez possa ser definido por alguns meta-parametros que são otimizados pela validação cruzada. Eu preciso de ler Prado).
Provavelmente é melhor rolar para a frente, tem sempre OOS depois do comboio. No SW apenas a primeira passagem será assim, o resto utilizará os dados pré e pós-trane para trane.
Não vale a pena ir embora a curto prazo, tenho a certeza. E haverá uma falta de dados para os modelos e um risco de sobreajuste às condições do mercado. O conceito de adaptação parece bom, mas devido ao atraso (no momento em que os dados foram acumulados, o estado pode já ter mudado) dificilmente é um graal. Você pode experimentar vários modelos ao mesmo tempo - um é responsável por padrões de longo prazo, outro/outros por padrões de curto prazo (corrente), a solução é uma função das soluções de todos estes modelos.
De acordo com experiências recentes em 5000 linhas de M5 (cerca de 2 meses), há algo interessante. Aos 3000 já é mau. Mas isto é para os chips+alvo específicos tomados. Talvez haja um conjunto diferente de características e objetivos quando o modelo funciona após o treinamento em um pequeno enredo. Vamos ter de experimentar...
Depende do número de funcionalidades, eu gosto de mais funcionalidades, normalmente 5000 não é suficiente, se você tem até 5 funcionalidades, talvez 5000 é ok.
Acontece então que você tem que treinar em uma seção o mais curta possível. Para que, após a mudança do padrão, o novo padrão comece a funcionar mais rapidamente.
Por exemplo, se você treinar por 12 meses, então após uma mudança de padrão em 6 meses, os padrões novos e antigos serão 50/50. E após cerca de um ano, haverá treinamento e negociação sobre o novo padrão. Isto é, durante quase um ano inteiro o padrão tem sido negociado em um padrão ultrapassado e muito provavelmente perdendo.
Se você treinar por 1 mês, o padrão irá aprender a trabalhar corretamente novamente em um mês.
Seria bom treinar durante uma semana... Mas ainda não há dados suficientes.
Sobre o barulho, sim. No entanto, não pensei nisso em termos de levar partes da história com e sem ruído. E a propósito, como é que isto é entendido antes do treino modelo? Tipo, de forma iterativa? Você treina toda a área, vê onde ela tem melhor desempenho, deixa essas áreas e treina somente essas áreas primeiro? Isso dá origem à segunda questão que pode ser chamada filosófica antes da validação experimental: é melhor para o modelo ver imediatamente diferentes áreas, incluindo áreas ruidosas, mas treinar em média em dados ruidosos ou treinar em dados mais limpos, mas não ver dados ruidosos de todo?
E o que há de errado com tamanhos gigantes? Para além do aumento do tempo de computação?
Provavelmente, é melhor com um transitário, tem sempre OOS atrás da Trayn. Em SW, apenas o primeiro passe será assim, o resto usará tanto o pré como o pós-trainer.
E se você não misturar, é como encaixar em seções alternadas de igual comprimento.
Provavelmente, é melhor com um transitário, tem sempre OOS atrás de trincheiras. Em SW apenas a primeira passagem será assim, o resto usará tanto antes como depois do OOS para rastrear dados.
Concordo contigo se responderes à pergunta "Como negociar no próximo período?". Se responder à pergunta "Existe um padrão nesta secção da história?", então o TDR é bastante aplicável.