Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 360
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
Interessante!!! Mas o problema é um pouco diferente. Suponha que o seu TS tenha diminuído 20%. Qual é a pergunta? Sairá do sorteio e ganhará no topo ou continuará a drenar????? Como você sabe se o seu TS precisa ser re-otimizado???
Interessante!!! Mas o problema é um pouco diferente. Suponha que o seu TS tenha diminuído 20%. Qual é a pergunta? Sairá do sorteio e ganhará no topo ou continuará a drenar????? Como pode saber se o seu TS precisa de ser re-optimizado???
O TS NÃO deve ser super-optimizado - esse é o objetivo de criar um TS. Tudo o resto é um jogo de números.
A CU NÃO deve ser requalificada - esse é o objectivo da criação da CU. Tudo o resto é um jogo de números.
Você pode ou não ser requalificado, mas mais cedo ou mais tarde ele começará a vazar de qualquer maneira. Acho que essa era a pergunta deMikhail Marchukajtes - como você sabe quando?
Você não entende a palavra "requalificado".
Primeiro você tem que se preocupar que o TC não seja requalificado - prove esse fato. E então essa prova deve ser repetida. Se você não pode provar que não está reeducado, você não pode usá-lo.
Você não entende a palavra "requalificado".
Primeiro você tem que se preocupar que o TC não seja requalificado - prove esse fato. E então essa prova deve ser repetida. Se não consegues provar que não está reeducado, não o podes usar.
Eu suponho que entendo).
Eu acho que esta é uma definição um pouco simplificada. Portanto, ainda é não só possível, mas talvez até mesmo necessário usá-lo. Tudo depende das especificidades.
Utilizamos modelos grosseiros, o que também pode ser interpretado como excesso de formação.
Interessante!!! Mas o problema é um pouco diferente. Suponha que o seu TS tenha diminuído 20%. Qual é a pergunta? Sairá do sorteio e ganhará no topo ou continuará a drenar???? Como pode saber se o seu TS precisa de ser re-optimizado???
Se o modelo recém-formado no testador não mostrar 20% de drawdown para este período e o modelo antigo na conta real aberta - então, retrabalhe-os inequivocamente, o modelo perdeu sua relevância e deve levar em conta novos padrões. Por que não requalificar o modelo após cada nova profissão? E dê-lhe um histórico actualizado de acordos para entrar.
Se o modelo recém treinado no testador não der um drawdown de 20% durante este período, e o modelo antigo na conta real deu - então o retrabalhe, o modelo perdeu sua relevância e precisa levar em conta novos padrões. Por que não requalificar o modelo após cada nova profissão? E você também deve dar-lhe o histórico actualizado de acordos para entrar.
Eu suponho que entendo).
Eu acho que esta é uma definição um pouco simplificada. Portanto, não só é possível, mas talvez até mesmo necessário utilizá-lo. Tudo depende das especificidades.
Estamos usando modelos em bruto, e isto também pode ser interpretado como sobreajustamento.
Na citação o overlearning é uma consideração demasiado subtil das características, e você tem grosseiramente como overlearning?!
Tu é que sabes. Não é a primeira vez.
Se o modelo recém treinado no testador não der um drawdown de 20% durante este período, e o modelo antigo na conta real deu - então o retrabalhe, o modelo perdeu sua relevância e precisa levar em conta novos padrões. Por que não requalificar o modelo após cada nova profissão? E dê-lhe o histórico actualizado dos negócios a serem inseridos.
Treinamento, reciclagem e reconversão (superfitting) são coisas fundamentalmente diferentes.
Todo este treinamento em cada novo bar é mastigado e mastigado neste fórum e, em geral, dentro da TA.
Na luta contra o supertreinamento (superfitting) eu conheço dois métodos.
1. limpeza do conjunto de preditores a partir de preditores não relacionados com a variável alvo - limpeza do conjunto de preditores de entrada a partir do ruído. Os primeiros 100 posts deste tópico discutiram-no em detalhe.
2. Com o conjunto de preditores limpos do ruído, começamos a ajustar o modelo com amostra de treino, depois com amostra de teste e validação, que são amostras aleatórias de um ficheiro. O erro em todos os três conjuntos deve ser aproximadamente o mesmo.
3. Depois pegue um arquivo separado do anterior e execute o modelo nele. Mais uma vez o erro deve ser mais ou menos o mesmo que os anteriores.
4. Se estas verificações são feitas regularmente, então a sua pergunta: "uma queda de 20% é um sinal para a reciclagem" não vale nada porque como resultado dos três primeiros passos a queda é obtida como parâmetro do modelo e indo além diz que o modelo não está funcionando e tudo deve ser iniciado novamente.
Na citação o supertreinamento é uma consideração muito boa de características e você tem o supertreinamento é supertreinamento?!
Tu é que sabes. Não é a primeira vez.
Também não é a primeira vez. Mas porquê apenas grosseiro. Outro exemplo está certo na definição - um modelo excessivamente complexo encontra algo que não existe - padrões aparentes.
Você tem um entendimento muito simplista ou unilateral de sobretreinamento, imho.
Aprendizagem, sobretreinamento e supertreinamento (superfitting) são coisas fundamentalmente diferentes.
Todo este treinamento em cada novo bar é mastigado e mastigado neste fórum e geralmente dentro de TA.
Na luta contra o supertreinamento (superfitting) eu conheço dois métodos.
.....
4. Se você fizer essas verificações regularmente, sua pergunta: "uma queda de 20% é um sinal para a reciclagem" não vale nada, pois os três primeiros passos resultaram em uma queda como parâmetro do modelo e ir além diz que o modelo não é viável e você tem que começar do início.