Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 83
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Alles,von der visuellen Durchsicht von Charts und der Suche nach Mustern in der Aufschlüsselungbis hin zum Training neuronaler Netze, ist nichts anderes als der Handel mit Statistiken, genau die Statistiken, die auf dem Markt nicht funktionieren, wissen Sie, wovon ich spreche?
der Markt bewegt sich gegen die Handlungen der Masse ----- die Masse handelt auf der Grundlage von Statistiken ------ alles, was Sie brauchen, ist die Vorhersage des Handelns der Masse in der Zukunft und tun Sie das Gegenteil, die einzige Möglichkeit zur Vorhersage ist die Statistik
Wenn wir mit Statistik Instrumente meinen, die NUR bei stationären Zufallsprozessen funktionieren, dann funktioniert eine solche Statistik nicht, denn die Finanzmärkte sind nichtstationäre Prozesse, bei denen die vielgeliebten Begriffe "Durchschnitt", "Korrelation" und so weiter und so fort bedeutungslos sind.
Das maschinelle Lernen hingegen wird normalerweise nicht der Statistik, sondern der künstlichen Intelligenz zugeordnet.
WasMihail Marchukajtes Idee betrifft, so habe ich sie auch ein paar Tage vor dem Erscheinen in diesem Thread entwickelt, vielleicht interessiert sich jemand für das Ergebnis, ich denke, dieser Ansatz ist ebenfalls richtig und sogar realisierbarIch habe seit langem ein technisches Muster bemerkt, das von Zeit zu Zeit funktioniert, das Muster ist ein reiner Verkauf (aber ich lasse das Netz nur zum Spaß kaufen), ich habe es vorgeschrieben, und wenn der Preis zu einem bestimmten Punkt "X" im Muster kommt, lasse ich das Netz einen Kauf/Verkauf/Rest machen, das Netz analysiert nicht ständig alle Notierungen, sondern nur, wenn eine bestimmte Bedingung erfüllt ist, wird das Netz das tun..
Das Ziel war dreistufig, d.h. wenn der "X"-Punkt erreicht ist, werden mentaler Stop-Loss und Take-Profit für Kauf und Verkauf gesetzt:
buy - wenn ein Buy Takeaway genommen wird und der Stop nicht ausgeknockt wurde
Verkaufen - wenn der Verkaufspunkt eingenommen wird und der Stop-Loss nicht herausgenommen wurde
Rest - wenn sowohl beim Kauf als auch beim Verkauf ein Stop-Loss gesetzt wird und keiner der beiden Take-Outs erreicht wurde
Der Take war 2 oder 3 Mal so hoch wie der Stop, ich weiß es nicht mehr genau, ich glaube es war 3 Mal
Trotz der Tatsache, dass das Netzwerk in der Realität viel schlechter gehandelt hat als die Validierung (bei der Validierung lagen die kol. richtigen Antworten bei 63% und im realen Handel bei 20%), war der Algorithmus dennoch profitabel
aber meistens ist es so, dass
das Muster ist an sich kurz und daher ist der Kauf hier nicht von Präzision und Rentabilität geprägt
Was wäre, wenn wir 10 dieser Muster programmieren würden, anstatt nur eines? interessant? ;)
Wenn wir mit Statistik Instrumente meinen, die NUR bei stationären Zufallsprozessen funktionieren, dann funktionieren solche Statistiken nicht, denn die Finanzmärkte sind nicht stationäre Prozesse, bei denen die beliebten Begriffe "Durchschnitt", "Korrelation" usw. bedeutungslos sind.
Das maschinelle Lernen hingegen wird normalerweise nicht der Statistik, sondern der künstlichen Intelligenz zugeordnet.
Alles, was von der überwiegenden Mehrheit verwendet wird, würde, wenn ich die Bemerkung richtig verstanden habe, unter Statistik fallen.
Und ich werde noch ein bisschen mehr zum Rennen beitragen:
Sie schreiben über Nicht-Stationarität und Märkte, maschinelles Lernen, aber wissen Sie, dass es allgemein anerkannte Werkzeuge für die Vorhersage von nicht-stationären Prozessen gibt, und es gibt nicht viele von ihnen, sie sind "MGUA" Hidden Markov-Modelle und rekurrente neuronale Netze (kann sich mit dem Netz irren, kann nur für BP sein)
Neuronale Netze, Prognostiker aller Couleur usw. sind NICHT für nicht-stationäre Daten konzipiert, weshalb wir alle, mich eingeschlossen, Instrumente verwenden, die nicht für ihren Zweck bestimmt sind. Frage)
100 % für einen Baum ist absoluter Unsinn!
Wenn alle Ihre Prädiktoren Rauschen sind, ist dieses Ergebnis sehr schwer zu erreichen: Es wird immer noch ein Fehler von 3 bis 5 % bleiben. Rauschen liefert mit allen Kreuzvalidierungen und anderen Tricks immer sehr gute Ergebnisse.
Eine Genauigkeit von 100 % bedeutet nur eines: Unter den Prädiktoren gibt es ein Duplikat der Zielvariablen (eine Abwandlung davon). Das heißt, das Modell blickt in die Zukunft.
Ich erinnere mich an das Beispiel Ihrer Daten aus ALL_cod.RData, Datensatz TF1 oder so ähnlich, mit der ersten Zielvariable Wald, die sogar mit einer kleinen Anzahl von Bäumen ein fast 100%iges Ergebnis lieferte. Und durch die Erhöhung der Anzahl der Bäume im Wald stieg die Genauigkeit sogar auf absolute 100 %. Der Wald kann sich jedes einzelne Trainingsbeispiel einprägen, wenn seine Parameter dafür groß genug sind.
Bei mytarmailS ist es umgekehrt, ein Wald mit einer kleinen Anzahl von Parametern liefert gute Ergebnisse, aber mit zunehmender Anzahl von Bäumen nimmt die Genauigkeit ab. Er verwendet keine Kreuzvalidierung, es geht also um die Trainingsdaten selbst. So funktioniert das nicht. Die Genauigkeit eines Waldes auf Trainingsdaten nimmt nur ab, wenn seine Parameter abnehmen, nicht umgekehrt. Ist das möglich?
Bei mytarmailS ist es genau umgekehrt: Ein Wald mit einer geringen Anzahl von Parametern liefert gute Ergebnisse, aber mit mehr Bäumen sinkt die Genauigkeit.
Eine schwere Glocke
Und ganz am Rande davon
Ein dösender Schmetterling. ( Japanisch hoku.)
Ich beobachte die Filiale von der Aula aus und weiß nicht, ob ich sie brauche.
Auf der einen Seite gibt es maschinelles Lernen, künstliche Intelligenz, neuronale Netze; auf der anderen Seite geht es meines Erachtens vor allem um die Frage, wie Präzedenzfälle (Regelmäßigkeiten) und Prädiktoren (Prognostiker) ermittelt und kombiniert werden können. Andererseits ist der Markt eine Substanz, die Anzahl der Faktoren ist unendlich, ist es also möglich, sie in große und kleine Faktoren zu unterteilen?
Ein paar Schnappschüsse. 2011г. Japan. Fukushima. Der Tsunami verursachte einen Unfall in einem Kernkraftwerk. Es spielt keine Rolle, was den Tsunami verursacht hat - ein Erdbeben oder ein Flügelschlag eines Schmetterlings nach der Chaostheorie. Wichtig ist, dass die Auswirkungen auf den Markt nicht vorhersehbar sind. Es scheint, dass der Unfall, die Evakuierung, die Strahlung und nun das Verlassen der Insel. Aber nein. Das Unglück ereignete sich am 11. März, und am 16. März verzeichnete der Nikkei-Index einen noch nie dagewesenen Anstieg. Es stellte sich heraus, dass die Japaner nicht wie Ratten von einem sinkenden Schiff wegliefen, sondern im Gegenteil, sie begannen, das Kapital in ihr Land zurückzuholen, um beim Wiederaufbau zu helfen.
Vor einem Jahr. Deutschland. Wolfsburg. Das Werk "WV" und die Stadt wurden im Auftrag Hitlers für die Schaffung des deutschen Volksautos gebaut. Hier hat der Programmierer als Schmetterling gewirkt, indem er die Abwesenheit von schädlichen Emissionen von Dieselmotoren nur während der Prüfstandstests programmiert hat. Skandal. Die WV-Aktien sind gefallen. Der DAX ist erschüttert.
Unsere Tage. Wieder Japan. Nintendo-Aktien steigen in die Höhe. Die Kapitalisierung übersteigt z.B. die Waffenexporte der USA. Wer hätte gedacht, dass etwas wie "Pocemon Go" so populär werden würde?
In diesem Thema werden Systeme erörtert, die auf wöchentlichen, monatlichen und sogar jährlichen Daten basieren. Er sucht nach einer Art großem stabilen Forex-Signal. Ich finde das verwirrend. Im Laufe des Tages können einige Schmetterlinge, Statistiken und Erklärungen den Markt auf die kleinste Laune "umerziehen". Ein stabiles System zu bauen, das mindestens eine Woche lang funktioniert, ist so wahrscheinlich wie Boeing aus Teilen zusammenzubauen, die man in einem Müllcontainer findet.
Schwere Glocke
Ich erinnere mich an ein Beispiel zu Ihren Daten aus ALL_cod.RData, Datensatz TF1 oder so ähnlich, bei der ersten Zielvariablen ergab der Wald selbst bei einer geringen Anzahl von Bäumen fast 100 % Ergebnis. Und durch die Erhöhung der Anzahl der Bäume im Wald stieg die Genauigkeit sogar auf absolute 100 %. Ein Wald kann sich jedes einzelne Trainingsbeispiel einprägen, wenn seine Parameter dafür groß genug sind.
Bei mytarmailS ist es umgekehrt, ein Wald mit einer kleinen Anzahl von Parametern liefert gute Ergebnisse, aber mit zunehmender Anzahl von Bäumen nimmt die Genauigkeit ab. Er verwendet keine Kreuzvalidierung, es geht also um die Trainingsdaten selbst. So funktioniert das nicht. Die Genauigkeit eines Waldes auf Trainingsdaten nimmt nur ab, wenn seine Parameter abnehmen, nicht umgekehrt. Ist das möglich?
Was soll der Beitrag? Ich verstehe es nicht.
Eine schwere Glocke
Und ganz am Rande davon
Ein dösender Schmetterling. ( Japanisch hoku.)
Ich beobachte die Filiale von der Aula aus und weiß nicht, ob ich sie brauche.
Auf der einen Seite gibt es maschinelles Lernen, künstliche Intelligenz, neuronale Netze; auf der anderen Seite geht es meines Erachtens vor allem um die Frage, wie Präzedenzfälle (Regelmäßigkeiten) und Prädiktoren (Prognostiker) ermittelt und kombiniert werden können. Andererseits ist der Markt eine Substanz, die Anzahl der Faktoren ist unendlich, ist es also möglich, sie in große und kleine Faktoren zu unterteilen?
Ein paar Schnappschüsse. 2011г. Japan. Fukushima. Der Tsunami verursachte einen Unfall in einem Kernkraftwerk. Es spielt keine Rolle, was den Tsunami verursacht hat - ein Erdbeben oder ein Flügelschlag eines Schmetterlings nach der Chaostheorie. Wichtig ist, dass die Auswirkungen auf den Markt nicht vorhersehbar sind. Es scheint, dass der Unfall, die Evakuierung, die Strahlung und nun das Verlassen der Insel. Aber nein. Das Unglück ereignete sich am 11. März, und am 16. März verzeichnete der Nikkei-Index einen noch nie dagewesenen Anstieg. Es stellte sich heraus, dass die Japaner nicht wie Ratten von einem sinkenden Schiff wegliefen, sondern im Gegenteil, sie begannen, das Kapital in ihr Land zurückzuholen, um beim Wiederaufbau zu helfen.
Vor einem Jahr. Deutschland. Wolfsburg. Das Werk "WV" und die Stadt wurden im Auftrag Hitlers für die Schaffung des deutschen Volksautos gebaut. Hier hat der Programmierer als Schmetterling gewirkt, indem er die Abwesenheit von schädlichen Emissionen von Dieselmotoren nur während der Prüfstandstests programmiert hat. Skandal. Die WV-Aktien sind gefallen. Der DAX ist erschüttert.
Unsere Tage. Wieder Japan. Nintendo-Aktien steigen in die Höhe. Die Kapitalisierung übersteigt z.B. die Waffenexporte der USA. Wer hätte gedacht, dass etwas wie "Pocemon Go" so populär werden würde?
In diesem Thema werden Systeme auf der Grundlage wöchentlicher, monatlicher und sogar jährlicher Daten erörtert. Er sucht nach einer Art großem, stabilem Forex-Signal. Ich finde das verwirrend. Im Laufe des Tages können einige Schmetterlinge, Statistiken und Erklärungen den Markt auf die kleinste Laune "umerziehen". Ein stabiles System zu bauen, das mindestens eine Woche lang funktioniert, ist so wahrscheinlich wie der Zusammenbau der Boeing aus Teilen, die man in einem Müllcontainer findet.
Ihr Unverständnis ist grundlegend für dieses Thema.
1. Alles, was Sie schreiben, ist absolut richtig für Prognosen wie Extrapolationen, die wiederum für stationäre Zeitreihen funktionieren. Sie geben reale Beispiele, die die Nicht-Stationarität von Finanzreihen zeigen, und hier haben Sie absolut recht. Außerdem sind Nachrichten nicht die einzige Ursache für Nicht-Stationarität.
2. Hier geht es um Prognosen, die auf einer Klassifizierung beruhen, bei der der vorherige Zustand bei der Vorhersage des nächsten Balkens nicht berücksichtigt wird. Vorhersagen (Prognosen) auf der Grundlage von Klassifizierungen sind Vorhersagen auf der Grundlage von Mustern. Wenn es in der Vergangenheit Nachrichten gab, die zu Veränderungen geführt haben, die NICHT von früheren Werten abgeleitet sind (nicht extrapoliert), dann wird die Klassifizierung diese Veränderung als solche erkennen, und wenn es in der Zukunft eine ähnliche Veränderung gibt (nicht genau dieselbe, aber eine ähnliche), wird sie erkannt und eine korrekte Vorhersage gemacht.
Also, bei der Einstufung der Pokémon sind keine Angst.