Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 84
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Ich sage ihnen auch immer wieder, dass es nicht realistisch ist, den Markt für 5 Jahre vorherzusagen...
Es ist sinnlos, zu reden und zu ermahnen. Viele Menschen haben kognitive Verzerrungen, zu denen auch Informationsfilter gehören, wie z. B.: Wenn eine Information nicht in das Weltbild passt, wird sie entweder gar nicht wahrgenommen oder sie löst eine gehässige Reaktion aus.
Mit anderen Worten: Die meisten Bewohner hier werden Ihren Gesprächen entweder überhaupt keine Beachtung schenken oder sie werden anfangen zu schimpfen und Sie als Troll zu bezeichnen.
Aber das ist nicht der Punkt. Der Punkt ist, dass in jPrediction seit Version 7 die Möglichkeit besteht, die Signifikanz von Prädiktoren zu bewerten. Dazu müssen Sie nach dem Erstellen (Trainieren) eines neuen Modells oder dem Laden eines zuvor gespeicherten Modells aus einer Datei den Menüpunkt "Signifikante Prädiktoren anzeigen" aufrufen oder die "Hot"-Taste F5 drücken:
Und Sie können sich ein Diagramm über die Bedeutung der Prädiktoren ansehen:
Der beste Prädiktor ist der beste - der signifikanteste Prädiktor. Wenn Sie die Spalte "Wettbewerbsfähigkeit" aus dieser Stichprobe entfernen, erhalten Sie nach dem Training die Meldung "Garbage in, Garbage out".
Der schlechteste Prädiktor ist der schlechteste - der am wenigsten signifikante Prädiktor. Wenn wir die Spalte "Betriebsrisiko" aus der Stichprobe entfernen, wird sich die Verallgemeinerungsfähigkeit nicht verschlechtern.
Die übrigen in der Beschreibung mit "-" gekennzeichneten Prädiktoren sind von mittlerer Bedeutung. Wenn sie aus dieser Stichprobe entfernt werden, wird die Generalisierungsfähigkeit deutlich verschlechtert.
Es ist sinnlos, zu reden und zu ermahnen. Viele Menschen haben kognitive Verzerrungen, zu denen auch Informationsfilter gehören, wie z. B.: Wenn die Information nicht in das Weltbild passt, wird sie entweder gar nicht wahrgenommen, oder sie löst eine gehässige Reaktion aus.
Mit anderen Worten: Die meisten Bewohner hier werden Ihren Gesprächen entweder überhaupt keine Beachtung schenken oder sie werden anfangen zu schimpfen und Sie als Troll zu bezeichnen.
Aber das ist nicht der Punkt. Der Punkt ist, dass in jPrediction seit Version 7 die Möglichkeit besteht, die Signifikanz von Prädiktoren zu bewerten. Dazu müssen Sie nach dem Erstellen (Trainieren) eines neuen Modells oder dem Laden eines zuvor gespeicherten Modells aus einer Datei den Menüpunkt "View a significant of predictors" aufrufen oder den Hotkey F5 drücken:
Und Sie können sich ein Diagramm über die Bedeutung der Prädiktoren ansehen:
Der beste Prädiktor ist der beste - der signifikanteste Prädiktor. Wenn Sie die Spalte "Wettbewerbsfähigkeit" aus dieser Stichprobe entfernen, erhalten Sie nach dem Training die Meldung "Garbage in, Garbage out".
Der schlechteste Prädiktor ist der schlechteste - der am wenigsten signifikante Prädiktor. Wenn die Spalte "Betriebsrisiko" aus dieser Stichprobe entfernt wird, verschlechtert sich die Verallgemeinerbarkeit nicht.
Die übrigen in der Beschreibung mit "-" gekennzeichneten Prädiktoren sind von mittlerer Bedeutung. Wenn sie aus dieser Stichprobe entfernt werden, wird die Generalisierungsfähigkeit deutlich verschlechtert.
Es ist sinnlos, zu reden und zu ermahnen. Viele Menschen haben kognitive Verzerrungen, zu denen auch Informationsfilter gehören, wie z. B.: Wenn die Information nicht in das Weltbild passt, wird sie entweder gar nicht wahrgenommen, oder sie löst eine gehässige Reaktion aus.
Das heißt, die meisten Einwohner hier werden entweder überhaupt nicht auf Ihre Gespräche achten oder sie werden anfangen zu schimpfen und Sie einen Troll nennen.
Aber das ist nicht der Punkt. Der Punkt ist, dass in jPrediction seit Version 7 die Möglichkeit besteht, die Signifikanz von Prädiktoren zu bewerten. Dazu müssen Sie, nachdem Sie ein neues Modell erstellt (trainiert) oder ein früher gespeichertes Modell aus einer Datei geladen haben, den Menüpunkt "View a significant of predictors" aufrufen oder den Hotkey F5 drücken:
Und Sie können sich ein Diagramm über die Bedeutung der Prädiktoren ansehen:
Der beste Prädiktor ist der beste - der signifikanteste Prädiktor. Wenn Sie die Spalte "Wettbewerbsfähigkeit" aus dieser Stichprobe entfernen, erhalten Sie nach dem Training die Meldung "Garbage in, Garbage out".
Der schlechteste Prädiktor ist der schlechteste - der am wenigsten signifikante Prädiktor. Wenn die Spalte "Betriebsrisiko" aus dieser Stichprobe entfernt wird, verschlechtert sich die Verallgemeinerbarkeit nicht.
Die anderen in der Beschreibung mit "-" gekennzeichneten Prädiktoren sind von mittlerer Bedeutung. Wenn sie aus dieser Stichprobe entfernt werden, wird die Generalisierungsfähigkeit deutlich verschlechtert.
Wie wird die Signifikanz der Prädiktoren berechnet?
In aller Kürze (aber nicht ganz klar) wird die Signifikanz der Prädiktoren durch Gewichtung der nach dem Training erhaltenen Koeffizienten berechnet.
Weitere Einzelheiten finden Sie im Algorithmus zur Berechnung der Prädiktorsignifikanz im jPrediction-Quellcode. Oder ich muss einen ganzen Artikel schreiben, um es besser zu erklären.
Ich danke Ihnen!!! Äußerst nützliche Ergänzung. Fortlaufende Spinnerei.... ....
Das Wichtigste ist, dass Sie jetzt sehr schnell Prädiktoren mit niedrigem Wert berechnen und durch andere Prädiktoren ersetzen können. Nach ihrem Austausch muss unbedingt geprüft werden, ob die Verallgemeinerungsfähigkeit zugenommen hat. Wenn er sich nicht erhöht hat, wurde die Änderung nicht korrekt vorgenommen, d. h. ein signifikanterer Prädiktor wurde durch einen weniger signifikanten ersetzt.
Gestern habe ich mit Zitaten experimentiert. Die wichtigsten TA-Oszillatoren sind schnell gefunden. Aber es waren nur 5. Und weiterhin wächst die Verallgemeinerungsfähigkeit nicht, egal, was man hineinsteckt. So stellt sich heraus, dass, was auch immer Sie durch TA-Indikatoren und Oszillatoren, aber in der Tat sind sie alle auf der Grundlage der gleichen Daten - ein kleines Segment der früheren Geschichte (mehrere Bars), obwohl sie verarbeiten diese Daten ein wenig anders. Alle TA-Indikatoren und Oszillatoren sind die gleichen "Eier", aber von der Seite. Unabhängig davon, wie Sie das Deck mischen, enthält es dieselben Karten. Alle Indizes und Oszillatoren korrelieren zu stark miteinander und korrelieren nur wenig mit der Zukunft.
Um die Verallgemeinerungsfähigkeit zu erhöhen, ist es notwendig, andere Daten von irgendwoher zu nehmen, die die Zitate beeinflussen, aber nicht von den Zitaten abgeleitet sind. D.h. wir brauchen zusätzliche Informationsquellen. Wo kann ich sie bekommen? Natürlich können wir versuchen, die folgenden Prädiktoren zu verwenden: die Mondphasen, die Anzahl der Sonnenflecken, die Ergebnisse der Spiele der Straßenfußballmannschaften, den Wasserstand des Flusses Wontschka oder die Anzahl der Flöhe pro Quadratzentimeter des Hundes Tuzyk. Aber werden sie auch sinnvoll sein?
Das Wichtigste ist, dass Sie jetzt sehr schnell Prädiktoren mit niedrigem Wert berechnen und durch andere Prädiktoren ersetzen können. Nach ihrer Ersetzung muss unbedingt geprüft werden, ob sich die Verallgemeinerbarkeit erhöht hat oder nicht. Wenn er sich nicht erhöht hat, dann wurde die Substitution nicht korrekt durchgeführt und der signifikantere Prädiktor wurde durch einen weniger signifikanten ersetzt.
Gestern habe ich mit Zitaten experimentiert. Die wichtigsten TA-Oszillatoren sind schnell gefunden. Aber es waren nur 5. Und weiterhin wächst die Fähigkeit zur Verallgemeinerung nicht, egal, was man hineinsteckt. So stellt sich heraus, dass, was auch immer Sie durch TA-Indikatoren und Oszillatoren, aber in der Tat sind sie alle auf der Grundlage der gleichen Daten - ein kleines Segment der früheren Geschichte (mehrere Bars), obwohl sie verarbeiten diese Daten ein wenig anders. Alle TA-Indikatoren und Oszillatoren sind die gleichen "Eier", aber von der Seite. Unabhängig davon, wie Sie das Deck mischen, enthält es dieselben Karten. Alle Indizes und Oszillatoren korrelieren zu stark miteinander und korrelieren nur wenig mit der Zukunft.
Um die Verallgemeinerungsfähigkeit zu erhöhen, ist es notwendig, andere Daten von irgendwoher zu nehmen, die die Zitate beeinflussen, aber nicht von den Zitaten abgeleitet sind. D.h. wir brauchen zusätzliche Informationsquellen. Wo kann ich sie bekommen? Natürlich können wir versuchen, die folgenden Prädiktoren zu verwenden: die Mondphasen, die Anzahl der Sonnenflecken, die Ergebnisse der Spiele der Straßenfußballmannschaften, den Wasserstand des Flusses Wontschka oder die Anzahl der Flöhe pro Quadratzentimeter des Hundes Tuzyk. Aber es ist unwahrscheinlich, dass sie signifikant sind?
Was die Astrologie anbelangt, so würde ich die jahrtausendealte Praxis nicht abtun. Als Fan kann ich sagen, dass der Verlust der Lieblingsmannschaft sich negativ auf die Produktivität auswirkt. Wenn die Stadt über dem Meer eine Monostadt mit einem Rohstoffmonopolisten wie Nornickel ist, kann die Produktion zurückgehen, wie der sinkende Wasserstand des Flusses Wonjutschka indirekt zeigt.
Es ist unmöglich zu erraten, welcher Schmetterling, wo und wann, mit einem Flügelschlag einen Tsunami auslösen wird.
Das Wichtigste ist, dass Sie jetzt sehr schnell Prädiktoren mit niedrigem Wert berechnen und durch andere Prädiktoren ersetzen können. Nach ihrem Austausch muss unbedingt geprüft werden, ob die Verallgemeinerungsfähigkeit zugenommen hat oder nicht. Wenn er sich nicht erhöht hat, wurde die Substitution nicht korrekt durchgeführt, d. h. der signifikantere Prädiktor wurde durch einen weniger signifikanten ersetzt.
Gestern habe ich mit Zitaten experimentiert. Die wichtigsten TA-Oszillatoren sind schnell gefunden. Aber es waren nur 5. Und weiter wächst die Verallgemeinerungsfähigkeit nicht, egal, was man hineinsteckt. So stellt sich heraus, dass, was auch immer Sie durch TA-Indikatoren und Oszillatoren, aber in der Tat sind sie alle auf der Grundlage der gleichen Daten - ein kleines Segment der früheren Geschichte (mehrere Bars), obwohl sie verarbeiten diese Daten ein wenig anders. Alle TA-Indikatoren und Oszillatoren sind die gleichen "Eier", aber von der Seite. Unabhängig davon, wie Sie das Deck mischen, enthält es dieselben Karten. Alle Indizes und Oszillatoren korrelieren zu stark miteinander und korrelieren nur wenig mit der Zukunft.
Um die Verallgemeinerungsfähigkeit zu erhöhen, ist es notwendig, andere Daten von irgendwoher zu nehmen, die die Zitate beeinflussen, aber nicht von den Zitaten abgeleitet sind. D.h. wir brauchen zusätzliche Informationsquellen. Wo kann ich sie bekommen? Natürlich können wir versuchen, die folgenden Prädiktoren zu verwenden: die Mondphasen, die Anzahl der Sonnenflecken, die Ergebnisse der Spiele der Straßenfußballmannschaften, den Wasserstand des Flusses Wontschka oder die Anzahl der Flöhe pro Quadratzentimeter des Hundes Tuzyk. Aber es ist unwahrscheinlich, dass sie signifikant sind?
Versuchen Sie das kumulative Delta. Kumulative Verteilung nach realen Volumen..... Zscore-System/ Ye cjjndtcndtyyj dc` 'nj c hfpys[ gfh? vj;yj lf;t 'rpjnbxtcrb[? nfv rjhhtkzwbz ljk;yf jncencndjdfnm ^-)
Vielleicht interessiert es jemanden, ich habe ein Paket gefunden, das den Handel simulieren und Handelssysteme namens quantstrat erstellen kann
http://www.rinfinance.com/agenda/2013/workshop/Humme+Peterson.pdf