Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 962
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
Eu só tenho preços de entrada, não sofro de fichas :) o principal é a seleção de alvos
não sei o que fazer a seguir, ninguém tem ideias, sou demasiado preguiçoso para pensar
ideias?
você alimenta os preços, o desvio dos preços, o logaritmo dos preços.... e qual deve ser o resultado? - imho, o mecanismo de cotação máxima, é o que você pode encontrar no pequeno TF
tente adivinhar qual será a primeira atualização (quebrada) na nova barra Alta[1] ou Baixa[1] - se você aprender a prever, então é um lucro, porque você já sabe a direção do movimento de preços
;)
ideias?
alimentação em preços, desvios de preços, logaritmo de preços.... e qual deve ser a saída? - imho, mecanismo de cotação máxima, é o que você pode encontrar em pequenos TFs usando o preço
tente adivinhar qual será a primeira atualização (quebrada) na nova barra Alta[1] ou Baixa[1] - se você aprender a prever, então é um lucro, porque você já sabe a direção do movimento de preços
;)
Os mecanismos de citação são uma citação separada :)
Eu gostaria de usá-lo em prazos de 5 a 15 minutos. Já mostrei nas capturas de tela que ele captura algumas regularidades que não estão relacionadas à citação. Mas funciona não muito tempo no oscilador, 2X traços no máximo.
É interessante ver a avaria, eu devia tentar.
História/Futuro = 30000/1000. Entrada - série cronológica de diferenças Fechar e Abrir: iClose(NULL, 0, i+j+1+Shift) - iOpen(NULL, 0, i+j+1+Shift), onde j é de 0 a 99 (total de 100 peças). O alvo é a cor da barra (0,1).
Apenas nos gráficos do período OOS (Futuro).
Não há propagação. O nível para entrar na ordem é 0.
Spread - 2 pontos. Nível para introduzir uma ordem - 0.
Spread - 2 pontos. Nível para entrar na ordem - 0.1
Spread - 2 pontos. Nível para entrar na ordem - 0,15.
Distribuição dos predicados entre as classes. Precisão - 0,525.
Alocação de previsões entre as classes. A precisão é de 0,525.
Algumas amostras são pequenas - eu tenho 100-200 mil amostras, e se eu tirar uma fatia de 1000, há uma boa chance de haver um emparelhamento melhor.
É muito fácil fazer uma coisa brilhante. É difícil chegar ao estado em que as coisas geniais são feitas. Amedeo Modigliani :)
por isso tens de experimentar diferentes tipos de ervas.
Bem, há um modelo, treina bem em diferentes modificações, alguns trabalham 100% e mais de trens em oos, como aqui... (4 meses de treino 10 meses de OOS) e depois merda
Não vejo a utilidade de testar as demonstrações, pois tudo já está claro.
Sim, é uma pena que a tua demo tenha desaparecido. E tudo porque você está no CB muito à procura, embora ele tenha trazido o artigo, que diz que o CB para escolher o modelo não pode, e no fórum muitas vezes escreveu a mesma coisa.
Sim, é uma pena que a tua demo tenha desaparecido. E tudo porque você está no OOS muito olhando, embora o mesmo artigo onde está escrito que no modelo OOS não pode escolher, e no fórum aqui muitas vezes escreveu a mesma coisa.
Vou copiar o meu raciocínio/sugestões sobre este assunto a partir de outro tópico:
Parece-me um pouco exagerado para estimar o modelo, por isso me perguntei por que você está fazendo a seleção apenas para esta parte.
Sim, funciona em um caso particular (você obteve bons resultados em todos os segmentos), mas me parece que não é universal.
Afinal de contas, você pode encontrar dados que não são tão bons. E o modelo, por exemplo, pode ser treinado a 40% de erro na trama de treinamento e então, por acidente, mostrar 30% de erro na trama de teste. Mas digamos, o segundo modelo aprendeu até 35% em ambas as secções. O segundo modelo é obviamente melhor. Mas selecionando apenas a trama de teste, será selecionado o primeiro. Para comparação, existem opções para avaliar o modelo:
avaliação apenas na trama de treinamento,
ou na soma de todas as parcelas,
ou como em Darch, (nos dados de validação apresentados) por Err = (ErrLeran * 0,37 + ErrValid * 0,63) - estes coeficientes são por padrão, mas podem ser alterados.
A última opção é a mais interessante, pois leva em conta os dois erros, mas com uma grande ponderação do gráfico de validação.
Talvez até devêssemos fazer uma seleção por erros delta, por exemplo, se ErrLeran e ErrTest diferem em mais de 5%, então rejeitaremos este modelo (San Sanich estava falando sobre isso). E do resto para fazer uma escolha.Na verdade você pode estender a fórmula, por exemplo, para Err = (ErrLeran * 0,25 + ErrValid * 0,35 + ErrTest * 0,4).
Acontece o seguinte...
Vou copiar o meu raciocínio/sugestões sobre este assunto a partir de outro tópico:
Parece-me que não há OOS suficiente para avaliar o modelo, por isso me perguntei por que você só está selecionando por esta seção.
Sim, funciona em um caso particular (você obteve bons resultados em todos os segmentos), mas me parece que não é universal.
Afinal de contas, você pode encontrar dados que não são tão bons. E o modelo, por exemplo, pode ser treinado a 40% de erro na trama de treinamento e então, por acidente, mostrar 30% de erro na trama de teste. Mas digamos, o segundo modelo aprendeu até 35% em ambas as secções. O segundo modelo é obviamente melhor. Mas selecionando apenas a trama de teste, será selecionado o primeiro. Para comparação, existem opções para avaliar o modelo:
avaliação apenas na trama de treinamento,
ou na soma de todas as parcelas,
ou como em Darch, (nos dados de validação apresentados) por Err = (ErrLeran * 0,37 + ErrValid * 0,63) - estes coeficientes são por padrão, mas podem ser alterados.
A última opção é a mais interessante, pois leva em conta os dois erros, mas com uma grande ponderação do gráfico de validação.
Talvez até devêssemos fazer uma seleção por erros delta, por exemplo, se ErrLeran e ErrTest diferem em mais de 5% - deveríamos rejeitar tal modelo (San Sanich estava falando sobre isso). E para fazer uma selecção entre os outros.Em princípio, você pode estender a fórmula, por exemplo, para Err = (ErrLeran * 0,25 + ErrValid * 0,35 + ErrTest * 0,4).
IMHO, além das fórmulas de soma de erros, precisamos de mais proporções de sua relação, parece que alguém escreveu aqui que erros por seções devem se correlacionar como Trem <= Válido <= Teste.
O trem é minimizado por erro de treinamento, as outras seções podem pendurar aleatoriamente, tanto para cima como para baixo. O principal é não balançar muito.
E o que você, por si mesmo, justifica a permissibilidade de desvios para baixo, além do puro acaso?
E então qual é a sua tarefa principal, se não combater essa aleatoriedade, porque ela nega o significado tanto da validação como de OOS e MO em geral)).