Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 238
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 habe jetzt eine angemessene Auswahl von Modellparametern getroffen, trainiert, vorhergesagt und jetzt 0,69102 erhalten. Beim letzten Datensatz war es 0,69121, diese Woche ist es besser, aber das ist dem Zufall geschuldet, das Modell ist im Wesentlichen dasselbe. Nächste Woche wird es mich wieder irgendwo auf +-0,0002 werfen.
Für mich ist das im Moment die Grenze, mein Modell ist auf 21 anfängliche Prädiktoren ohne irgendwelche Tricks trainiert. Für Forex lade ich zum Beispiel verschiedene Indikatoren vom Terminal herunter und wähle ihre Parameter aus. D.h. ich erhalte Tausende von Indikatoren aus 4 Prädiktoren (ohlc), und dann siebe ich sie aus, so dass nur dreißig Stück übrig bleiben, und bringe das Modell bei.
Ich habe ihnen eine weitere Datei mit allen Vorhersagen=0,5, Punktzahl = 0,69315, geschickt, die sie zum Vergleich verwenden können.Idealerweise sollte ich irgendwie Tausende dieser 21 numerischen Prädiktoren erstellen und Unnötiges herausfiltern. Aber die Indikatoren funktionieren zwar mit ohlc-Reihen, aber nicht mit so gleichmäßig verteilten, ich sollte mir überlegen, wie ich aus ihnen mehr neue generieren kann.
Nein....
Verstehe, dann werde ich aufhören, das Thema zu überfrachten.
Ich werde mir überlegen müssen, wie ich mehr neue von ihnen generieren kann.
Ich habe nun eine angemessene Auswahl von Modellparametern getroffen, trainiert, vorhergesagt und jetzt 0,69102 erhalten. Mit dem letzten Datensatz war es 0,69121...
und ich habe alles verloren, es ist schlimmer, 0,69120 Minimum auf RF, versuchte MLP, aber es funktioniert überhaupt nicht.
SZS schauen hier reiben die Beiträge auf eine Art von seltsamen Algorithmus((
Ich weiß nicht, was ich mit ihnen machen soll, aber das tun sie alle.) Und alle enden auf die gleiche Weise. Das ist normal + und das Forum ist schon lange ein Basar. Und das Experiment kann durchgeführt werden.
Dies umso mehr, als es auch positive Aspekte gibt. Sehen Sie sich nur an, wie die Bäume auf den Randoms und dem BP aufgebaut sind. Wie wird model-ts aussehen
Bei verschiedenen Randomisierungen. Und so weiter und so fort. Vor zehn Jahren habe ich sowohl mei als auch astroinduki in die Raster eingegeben, und die Gezeitendaten in verschiedenen Häfen der Welt sowie die Wanderungswege von
von Tieren usw., an die ein normaler Mensch nicht denken würde). Schreiben und verwenden Sie, was Sie wollen, aber ziehen Sie keine voreiligen Schlüsse.
#Generieren Sie zufällige, mindestens 10K Beobachtungen
write.csv2(x, file = "D:/1.csv", row.names = FALSE, quote = FALSE) #Schreiben in die Datei 1.csv auf der Festplatte D:/
-----------
Was für ein Fenster))) Im Übrigen ist dieser Chelong zwar nutzlos, aber es gibt interessante Momente. Zum Beispiel die Art und Weise, wie die Teilnehmer die Kalibrierungsdaten hochladen,
was uns erlaubt, über die von den Autoren der Aufgabe verwendete Datenvorverarbeitung zu spekulieren...
Forrest ist schon lange weg, es war nur in den ersten beiden Beiträgen, dann schrieb ich, dass ich anfing, Muster "auf meine Art" auszuwählen, so wie ich es bei der Suche nach guten Clustern - aka Mustern - beschrieben habe...
Ich lege das Muster bei.
Dies ist eine ausgebildete Kohonen
Sie füttern ihn mit den letzten 10 Medianwerten des Preises
MD <- Medianpreis
MD <- scale(MD,T,T) # Normalisieren wie folgt
library(SOMbrero) # Das Paket mit den Kohonen ausführen
MD[is.na(MD)] <- 0 # mögliche NAs ersetzen
Vorhersage <- Vorhersage(Modell,MD) Vorhersage-Cluster
Wenn der Cluster die Nummer 41 hat (pred==41), dann ist es ein Kauf, stop take to taste...
Probieren Sie es aus, vielleicht klappt es ja bei Ihnen
Ich denke nach, aber es fällt mir nichts ein)) , Wer hat irgendwelche Gedanken....
haben wir zwei Kerzenkonfigurationen
Aus dem Bild geht klar hervor, dass das Kerzenmuster in der Tat dasselbe ist, der Unterschied liegt in der Volatilität. Wie können wir diese beiden Muster mathematisch zu demselben Muster bringen?
Man könnte sagen, ja, wir sollten es normalisieren, aber der Nullpunkt verschiebt sich, und das ist wichtig ...
wie auf dem Bild.
Zur Erläuterung: Stellen Sie sich vor, Sie möchten die Farbe des aktuellen, des vorherigen und des vorangegangenen Leuchters wissen, was Sie tun:
schließen-öffnen , schließen[-1]-öffnen[-1] , schließen[-2]-öffnen[-2]
Wir erhalten ein Diagramm als Bild "1", alles ist klar und übersichtlich, alles über Null ist eine weiße Kerze, alles unter Null ist eine schwarze Kerze.
Lösen wir nun das Problem der Volatilität (das im ersten Diagramm auftrat). Wir müssen das Diagramm in einem bestimmten Bereich normalisieren, wie in Abbildung "2" gezeigt, aber nach der Normalisierung erhalten wir eine neue Nullachse, die keine Informationen enthält.
Wie kann man die Daten so normalisieren, dass "Null gerecht" ist und das Volatilitätsproblem gelöst wird? was denken Sie darüber?
Wie lassen sich die Daten so normalisieren, dass sowohl das "Null ist gerecht"- als auch das Volatilitätsproblem beseitigt wird? was denken Sie darüber?
Ich habe es so gemacht -
Insgesamt gibt es 8 Punkte auf dem Diagramm - O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1)
Außerdem können diesen Punkten O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1) die seriellen Werte 1,2,3,4,5,6,7,8 zugeordnet werden
OHLC - offen, hoch, niedrig, geschlossen
(0) und (1) - Taktnummer
Diese Punkte können in absteigender Reihenfolge des Preises im Diagramm angeordnet werden, vom höchsten zum niedrigsten - H(0), H(1), O(0), C(1), L(0), C(0), O(1), L(1)
Nun können H(0), H(1), O(0), C(1), O(0), L(0), O(1), L(1) in einen Vektor (2, 6, 1, 8, 3, 4, 1, 7) umgewandelt werden, der bei Bedarf auf 0-1 normiert werden kann.
Und es wird sich herausstellen, dass beide Diagramme das gleiche "Muster" aufweisen (2, 6, 1, 8, 3, 4, 1, 7), das die Reihenfolge beschreibt, in der diese Punkte im Diagramm absteigen
Leider habe ich daraus keine Vorteile ziehen können. Mit nur 2 Kerzen kann es 40320 Muster geben. Drei Kerzen = (4*3)! = 479001600 Muster, usw. Realistisch gesehen wird es weniger sein, weil z. B. H immer mehr ist als O, H, L in derselben Kerze; und C ist weniger. Aber die Zahl der Muster ist immer noch riesig.
D.h. jeder Konfiguration von Candlesticks kann ein Zahlenvektor zugewiesen werden, der dazu dient, ähnliche Konfigurationen in der Zukunft zu erkennen. Die Anzahl der möglichen Konfigurationen, die sich auf diese Weise ergeben, ist jedoch so groß, dass es wahrscheinlich unmöglich ist, ein grafisches Muster zu finden, nach dem sich der Preis immer nach oben oder unten bewegt. Bei der Strategie "Bill Williams' Fractals" beispielsweise besteht das Muster aus 5 Kerzen, und es werden nur ein paar Kombinationen aus allen möglichen Milliarden gehandelt.
Hier ist ein wenig deutlicher im Bild, zum Beispiel für 3 Kerzenständer.
Nein danke))) Ich habe nur die Randoms von verschiedenen Maschinen vorgeschlagen...
Sie bekommen nicht die Idee, ich kann Lärm erzeugen und mich ein paar Mal und nicht brauchen, um es auf verschiedenen Maschinen zu schieben)
Der Kern der Idee ist folgender.
Ich trainiere den MO für Umkehrungen und es gibt nicht so viele Umkehrungen in der Geschichte der Zitate... Die Kurse bewegen sich in Wellen (Waves), und wenn man darüber nachdenkt, ist die Anzahl der Varianten für eine Umkehrung ziemlich sicher, es sind verschiedene Mutationen von Kopf und Schultern, Doppel-Tops, Dreifach-Tops, usw.Und diese Zahlen erscheinen nicht, weil sie irgendeinen mythischen Einfluss auf den Markt haben, sondern weil die Varianten der Umkehrung endlich sind in Wellenbewegungen, entweder so oder so, oder nichts anderes, und in der Tat, wenn wir ein Diagramm des Marktes oder kumulative Random, oder so etwas mit der Wellenstruktur zu bauen, werden wir sehen, dass die Umkehrungen mit den gleichen Zahlen passieren, die gleichen Köpfe und Schultern werden in Random sein...
In dem Artikel von D. Trader sagte uns der Autor, dass es möglich ist, ähnliche Stichproben für das Netzwerk zu generieren, zusätzlich zu den Stichproben, die wir bereits haben, und dadurch die Wissensbasis des Netzwerks zu vergrößern und somit die Netzwerkgenauigkeit zu erhöhen.
Da es nicht viele Umkehrungen auf dem Markt gibt, habe ich herausgefunden, dass ich eine unendliche Wissensbasis von Umkehrungen durch kumulative Randomisierung erhalten kann...
Sehen Sie, ich bin nicht auf der Suche nach einer mythischen Macht, die den Markt vorhersagen kann ))))) Und beim Testen dieser Theorie erhielt ich das Ergebnis, das ich gepostet habe, da ich das Ergebnis für optimistisch halte.
Wie kann man die Daten normalisieren, um den Nullwert gerecht zu machen und das Problem der Volatilität zu beseitigen?
So habe ich es gemacht -
Danke, ich werde es versuchen....
Ich habe es so gemacht...........
Wenn ich es richtig verstehe, ist die Methode zu grob...
Nehmen wir das einfachste Muster einer einzelnen Kerze
Wir haben drei drei Muster.
sie passen alle in ein logisches Muster
O<H , O<C , O>L
H>O , H>C , H>L
C>O , C>L , C<H
L<O , L<C , L<H
Wenn ich es richtig verstehe, stuft Ihre Methode alle drei Candlesticks als ein Muster ein, und das ist nicht gut
Wie lassen sich die Daten so normalisieren, dass sowohl das "Null ist gerecht"- als auch das Volatilitätsproblem beseitigt wird?%?
Wie genau haben Sie die Differenz berechnet?
zum Beispiel der Unterschied zwischen hoch und niedrig
a = hoch
b = Schließen
(a*100)/b also ?
Ich konnte es nicht auf diese Weise machen, das Netzwerk ist die Hölle, sogar die Farben der Kerzenständer sind durcheinander.
Wenn ich es richtig verstehe, ist die Methode zu grob.