Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3139
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
pode ser
o bardo funciona via vps?
pode ser
ele já sabe porque eu lhe dei as informações, ele pode aprender na hora o que ele não sabia antes... depois que eu lhe dei esse conhecimento, carreguei uma nova sessão e ele já sabia sobre esse pacote)) legal.
Senhores, não devemos nos esquecer ou nos dar conta disso....
Assim que qualquer tipo de robô estiver no mercado real, suas ações se tornam previsíveis e transparentes para o mercado, porque ele se integra ao sistema de negociação geral e, a partir desse momento, os sinais serão feitos por um algoritmo de precificação adaptável em vez de dados históricos mortos.
É fácil ajustar/modelar o preço para a situação em que o robô dará dinheiro.
E isso acontecerá com mais frequência do que no testador, 100% do tempo
Bem, dê uma olhada em seu saldo obtido com o MO ;))))
repetidamente para cima e para baixo.
Vou lhe dizer com franqueza: um típico drenador, também conhecido como tester grail.
Esse TS nunca funcionará na vida real.
ele já sabe porque eu lhe dei as informações, ele pode aprender na hora o que não sabia antes... depois que eu lhe dei esse conhecimento, carreguei uma nova sessão e ele já sabia sobre esse pacote )) legal
engraçado
O bardo funciona em vps?
vpn sim
Uma nave está viajando pelo universo em direção a Marte.
Os motores de fótons a aceleraram até o limite e ela está viajando por inércia.
Um cosmonauta está sentado no topo da espaçonave, com uma bandeira em sua mão esquerda.
Com a mão direita, ele lança um parafuso com um diâmetro de M40 com uma aceleração de 5 metros por segundo.
Pergunta. O que acontece com o parafuso?
А. Ele encontrará sua porca.
Б. Voará em uma velocidade constante.
В. Voará com aceleração.
Г. Vai grudar na luva do astronauta.
Д. Será o primeiro a chegar a Marte.
Е. Retornará à Terra.
P.Z.
Aprenderá a operar máquinas e começará a controlar o Cosmonauta, com a ajuda de uma nave espacial?
brincadeira
Ele é burro pra caramba, mas aprende de forma diferente dos outros modelos, acho que quando ele aprender vai ser brutal.
Há uma nave viajando pelo universo em direção a Marte.
Os motores de fótons a aceleraram até o limite e ela voa por inércia.
Um cosmonauta está sentado no topo da espaçonave, com uma bandeira em sua mão esquerda.
Com a mão direita, ele lança um parafuso com um diâmetro de M40 com uma aceleração de 5 metros por segundo.
Pergunta. O que acontece com o parafuso?
А. Ele encontrará sua porca.
Б. Voará em uma velocidade constante.
В. Ele voará com aceleração.
Г. Vai grudar na luva do astronauta.
Д. Será o primeiro a voar para Marte.
Е. Retornará à Terra.
P.Z.
Aprenderá a operar máquinas e começará a controlar o Cosmonauta, por meio de uma nave espacial?
Ele é burro pra caramba, mas aprende de forma diferente dos outros modelos. Acho que quando ele aprender, vai ser brutal.
Uma análise do artigo de Prado sobre o retreinamento
http://csinvesting.org/wp-content/uploads/2015/02/The-Probability-of-Backtest-Overfitting-6.pdf
Bard:
A essência do método dos autores é usar a validação cruzada para estimar o quanto o modelo muda quando novos dados são adicionados. Se o modelo mudar muito, isso significa que ele foi treinado em excesso nos dados de treinamento e provavelmente será treinado em excesso nos dados de teste.
O método dos autores funciona da seguinte forma:
O método dos autores é mais preciso do que os métodos tradicionais de estimativa de sobreajuste, como o holdout, porque leva em conta as alterações do modelo quando novos dados são adicionados. O método holdout estima o excesso de treinamento com base apenas nos dados de treinamento e teste, mas não leva em conta as alterações do modelo quando novos dados são adicionados.
O método dos autores pode ser usado para estimar a probabilidade de supertreinamento de qualquer modelo de aprendizado de máquina. Ele pode ser usado para estimar a probabilidade de supertreinamento de um modelo que prevê preços de ações, um modelo que classifica imagens ou qualquer outro modelo de aprendizado de máquina.
opção 2 ====================================
O método proposto pelos autores baseia-se na ideia de usar a validação cruzada para estimar o quanto o modelo muda quando novos dados são adicionados. Se o modelo mudar muito, isso significa que ele foi treinado em excesso nos dados de treinamento e provavelmente será treinado em excesso nos dados de teste.
Para estimar a probabilidade de treinamento excessivo, os autores usam um método de validação cruzada chamado k-fold cross-validation. Na validação cruzada k-fold, os dados são divididos em k partes iguais. O modelo é então treinado em k-1 partes dos dados e a parte restante dos dados é usada para teste. Esse processo é repetido k vezes e os resultados dos k testes são combinados para obter uma estimativa da precisão do modelo.
Uma vez obtida a estimativa da precisão do modelo, os autores a utilizam para estimar a probabilidade de treinamento excessivo. Eles fazem isso calculando a variação das estimativas de precisão. Quanto maior a variação, maior a probabilidade de treinamento excessivo.
Os autores demonstram que seu método pode ser mais preciso do que os métodos tradicionais de estimativa de overtraining, como o holdout. Eles também mostram que seu método pode ser usado para selecionar os melhores hiperparâmetros para o modelo.
Veja a seguir as etapas que os autores usam para estimar a probabilidade de treinamento excessivo:
Os autores demonstram que seu método pode ser usado para estimar a probabilidade de supertreinamento para uma variedade de modelos de aprendizado de máquina, incluindo regressão linear, regressão logística e árvores de decisão. Eles também mostram que seu método pode ser usado para selecionar os melhores hiperparâmetros para esses modelos.
Em geral, o método proposto pelos autores é uma ferramenta precisa e útil para estimar a probabilidade de treinamento excessivo. O método dos autores pode ser usado para estimar a probabilidade de treinamento excessivo de um modelo e para selecionar os melhores hiperparâmetros para o modelo.
opção 3 =========================================
O método dos autores baseia-se na ideia de usar a validação cruzada para estimar o quanto o modelo muda quando novos dados são adicionados. Se o modelo mudar muito, isso significa que ele está se ajustando demais aos dados de treinamento e provavelmente se ajustará demais aos dados de teste.
Para demonstrar a precisão de seu método, os autores o aplicaram à tarefa de prever os preços das ações. Eles compararam os resultados de seu método com os de holdout e mostraram que seu método prevê com mais precisão os preços das ações.
Os autores também mostraram que seu método pode ser usado para selecionar os melhores hiperparâmetros do modelo. Eles usaram seu método para selecionar os melhores hiperparâmetros para um modelo de aprendizado de máquina que prevê os preços das ações. Eles mostraram que seu método pode selecionar hiperparâmetros que levam a um modelo com maior precisão.
Em geral, os autores mostraram que seu método para estimar a probabilidade de treinamento excessivo é uma ferramenta precisa e útil para backtesting. O método dos autores pode ser usado para estimar a probabilidade de treinamento excessivo do modelo e para selecionar os melhores hiperparâmetros para o modelo.
Veja a seguir as etapas usadas na metodologia dos autores:
O método dos autores é mais preciso do que os métodos tradicionais de estimativa de superajuste, como o holdout, porque leva em conta a alteração do modelo quando novos dados são adicionados. O método holdout estima o modelo somente no conjunto de treinamento e no conjunto de teste. Isso significa que o método holdout não pode levar em conta a mudança de modelo quando novos dados são adicionados.
O método dos autores também pode ser usado para selecionar os melhores hiperparâmetros do modelo. O método holdout não pode ser usado para selecionar os melhores hiperparâmetros do modelo porque não leva em conta a mudança do modelo quando novos dados são adicionados.
Em geral, o método dos autores é uma ferramenta precisa e útil para backtesting. O método dos autores pode ser usado para estimar a probabilidade de sobreajuste do modelo e para selecionar os melhores hiperparâmetros do modelo.