Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 81
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
há um ser :)
)))
Por acaso negoceia no wealthlab?
)))
Você negocia no wealthlab?
4) se fizer a validação cruzada em treinamento, repita várias vezes nos mesmos dados, veja quanta variação há nos resultados, escolha modelos e preditores com pequena variação
Isto é o que me vem à mente agora, mas não é o limite dos possíveis problemas.
Você ficará surpreso e definitivamente discordará de mim :) ), mas não acredito que a validação cruzada seja eficaz no mercado, pelo menos em seu uso clássico
Você ficará surpreso e definitivamente discordará de mim (e não só de você :) ) mas não acredito que a validação cruzada seja eficaz quando aplicada ao mercado, pelo menos na sua aplicação clássica
Você ficará surpreso e definitivamente discordará de mim (e não só de você :) ) mas não acredito que a validação cruzada seja eficaz quando aplicada ao mercado, pelo menos na sua aplicação clássica
Porquê tão poucas árvores?
Eu tenho que quanto mais árvores, menos negócios o sistema faz e sua qualidade não aumenta em nada.
por exemplo, se o meu modelo faz 500 negócios com o parâmetro 10/5 então com o parâmetro 5/200 (5 splits, 200 árvores) ele faz um negócio ou nenhum negócio, então a generalização vai para baixo e o modelo está procurando situações muito claras que já aconteceram mas nunca acontecerão no futuro
Vamos começar com a forma como entende o significado de validação cruzada. Consegue perceber?
Tenho a certeza que é o mesmo que tu.
Dividimos a parcela em 5 partes, treinamos 4 delas, verificamos a 5ª parte e passamos por todas as variantes com segmentos para que a verificação fora da amostra ocorra em todas as 5 partes da amostra e calculamos o erro médio
Isso parece ser se eu não tiver esquecido
Eu tenho que quanto mais árvores, menos negócios o sistema faz e sua qualidade não aumenta em nada.
por exemplo, se o meu modelo faz 500 negócios com o parâmetro 10/5 então com o parâmetro 5/200 (5 splits, 200 árvores) ele faz um negócio ou nenhum negócio, então a generalização cai e o modelo está procurando por situações muito claras que uma vez aconteceram mas nunca acontecerão no futuro
Tenho a certeza que é o mesmo que tu.
Dividimos a parcela em 5 partes, treinamos 4 delas, verificamos a 5ª parte e passamos por todas as variantes com parcelas para que a verificação fora da amostra ocorra em todas as 5 partes da amostra e calculamos o erro médio
Parece ser isso se eu não me tiver esquecido.
Sim. Para que precisas dele? Para encontrar parâmetros ideais de aprendizagem.
O que você não gosta nesta abordagem? Como você vai selecionar os parâmetros?
Ideia interessante. Então acontece que pelo número de árvores que estás a lutar contra o sobretreinamento?
não realmente...
O que estou a escrever só se aplica à minha abordagem.
Sabes como faço o meu alvo, são os pivots.
tenho três classes de pivô ( 1 , -1 , 0 )
Você também sabe que o enviesamento das classes é enorme, a classe "0" é dezenas de vezes maior que "-1" e "1".
e isto significa que o modelo é melhor treinado na classe "0" porque tem mais observações e enquanto treina o modelo, quanto mais árvores, mais "0" é treinada e à medida que a classe "0" fica melhor e mais forte começa a (absorver - espremer) as classes "1" , "-1 É por isso que quanto mais árvores, menos negócios.