Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3348

 
Maxim Dmitrievsky #:

Não, não há nenhum problema com isso. Não importa qual é a margem de lucro. O que importa é o erro de classificação. Ele aumenta quando se adiciona spread ao treinamento ou permanece o mesmo.

Mas o modelo não começa a funcionar melhor quando o spread é levado em conta na marcação, ele não dá lucro, mas, sem o spread, funciona da mesma forma como se tivesse sido treinado sem ele. É por isso que coloquei o spread, condicionalmente, ao erro de classificação. Ou seja, a resposta do modelo não permite que você o supere.

Levar o spread em consideração na marcação significa a duração das negociações que o excedem. Ou seja, faço negociações mais longas, depois as treino, e o resultado do teste com o aumento do spread é quase o mesmo que o resultado de outro modelo treinado com negociações mais curtas.

Isso acaba sendo uma conclusão bastante inequívoca de que, em meus sinais, digamos, o MO não consegue superar o spread.

Mas, às vezes, ele pode, com certas maquinações relacionadas ao kozul. Ou seja, se houver algum indicador estatístico da "confiabilidade" deduzida dos sinais, eles também funcionarão quando o spread aumentar.

Nãoimporta para qual lucro é calculado,o que importa é oerro de classificação.

Devido a essa abordagem, você classifica "corretamente" as negociações potencialmente perdedoras. Na realidade, a situação é muito pior, não apenas por causa do spread. Em um EA real, conseguir passar da classificação "correta" para um sistema lucrativo continua sendo um problema, o que não é surpreendente.

 
СанСаныч Фоменко #:

Não importa qual é amargem de lucro, mas sim qual é o erro de classificação depois.

Devido a essa abordagem, você classifica "corretamente" as negociações potencialmente perdedoras. Na realidade, a situação é muito pior, não apenas por causa do spread. Em um EA real, passar da classificação "correta" para um sistema lucrativo continua sendo um problema, o que não é surpreendente.

Primeiro, a marcação é feita da forma mais lucrativa possível. Em seguida, os exemplos "confiáveis" são reamostrados e filtrados com base nos erros do modelo, e o restante é marcado como lixo. Porque está claro que nunca haverá uma negociação ideal como a da marcação inicial do graal (sem spread, será quase um graal). A lucratividade cai até certo nível, a estabilidade em novos dados aumenta. É escolhido um equilíbrio entre isso e aquilo.

Parece lógico e não tão vago como outros justificam sua TS.

Descrevi a variante mais fácil de entender no artigo. Você pode verificar por conta própria, pois o núcleo do algoritmo é simples.

Кросс-валидация и основы причинно-следственного вывода в моделях CatBoost, экспорт в ONNX формат
Кросс-валидация и основы причинно-следственного вывода в моделях CatBoost, экспорт в ONNX формат
  • www.mql5.com
В данной статье предложен авторский способ создания ботов с использованием машинного обучения.
 
Maxim Dmitrievsky #:

Primeiro, a marcação é feita da forma mais lucrativa possível. Em seguida, os exemplos "confiáveis" são reamostrados e filtrados com base nos erros do modelo, e o restante é marcado como lixo. Porque está claro que nunca haverá uma negociação ideal como a do layout inicial do graal (sem spread, será quase um graal). A lucratividade cai até certo nível, a estabilidade em novos dados aumenta. É escolhido um equilíbrio entre ambos.

Parece lógico e não tão vago como outros justificam seu TS.

A variante mais fácil de entender está descrita no artigo, você mesmo pode verificá-la, pois o núcleo do algoritmo é simples.

Dei uma olhada rápida no artigo.

Desde o início, destaquei uma determinada premissa básica, na qual tudo o mais se baseia:

Se treinarmos o modelo muitas vezes em subamostras aleatórias e, em seguida, testarmos a qualidade da previsão em cada uma delas e somarmos todos os erros, obteremos uma imagem relativamente confiável dos casos em que ele realmente erra muito e dos casos em que ele adivinha com frequência.

Discordo totalmente.

Qualquer validação cruzada não pode, por definição, melhorar a qualidade do modelo. A validação cruzada permite que você calcule um valor de erro mais VÁLIDO às custas de um conjunto de estatísticas. Tudo. e o erro de classificação resultante pode ou não ter nada a ver com a previsão no arquivo externo, ou seja, na negociação real.

A qualidade da previsão por um modelo é determinada pelo conjunto de preditores para um conjunto específico de rótulos e não tem nada a ver com o modelo. Antes de modelar, a pergunta deve ser respondida: os preditores e seus rótulos se encaixam? É impossível responder a essa pergunta com a ajuda de um modelo, e você está tentando fazer isso.

 
Circo
 
СанСаныч Фоменко #:

É impossível responder a essa pergunta com um modelo, e você está tentando fazer isso.

Com o que você quer responder?

 
Maxim Dmitrievsky #:

E com o que você quer responder?

Tópico antigo e já escrito muitas vezes.

 
СанСаныч Фоменко #:

Tópico antigo e já escrito várias vezes.

É a mesma coisa
 

suporte por visualização, envernizamento, assinatura do desenvolvedor do pacote R rusquant


 
Maxim Dmitrievsky #:
É a mesma coisa

Em seu artigo, não há gráfico para o modo "avançado" do testador, pelo qual se pode realmente julgar o modelo.

A propósito, você usa o mashki, independentemente da diferença de preço, e deve ter cuidado com ele, porque, sob certas condições de teste de modelos por seus próprios testadores, como não é engraçado e contradiz todo o TA, o mashki olha para a frente. Usando o modo "forward", se estiver olhando para a frente, você terá uma grande discrepância nos resultados entre o forward e o gráfico principal.

 
mytarmailS #:
rusquant

O site diz quehá suporte para a interação com a API Tinkoff, Finam e Alor. Alguém já deu uma olhada nisso?