Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 407
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
Schließlich wurde das Modell berechnet und dem bestehenden hinzugefügt. Die Rentabilität ist auf das Unerreichte gestiegen, auf der gleichen Fläche außerhalb der Stichprobe beträgt die Rentabilität 12,65
Allerdings scheint es keine geringe Belastung für die Kaution zu sein, aber sie ist erträglich. Ich habe das Beispiel aus dem ersten Beitrag optimiert, aber ich werde die Maschine nicht zwingen, wenn sie nicht schnell rechnet. Es sind zwar nicht viele Spalten, aber es sind eine Menge Zeilen, also mal sehen...
Hier ist der Bericht. Das Verhältnis der Trades ist recht interessant, aber der Drawdown ist ein bisschen hoch.... es ist eine Frage des Geschmacks...
Schließlich wurde das Modell berechnet und dem bestehenden hinzugefügt. Die Rentabilität ist auf das Unerreichte gestiegen, auf der gleichen Fläche außerhalb der Stichprobe beträgt die Rentabilität 12,65
Allerdings scheint es keine geringe Belastung für die Kaution zu sein, aber sie ist erträglich. Ich habe das Beispiel aus dem ersten Beitrag optimiert, aber ich werde die Maschine nicht zwingen, wenn sie nicht schnell rechnet. Obwohl ich dort nur wenige Spalten habe, sind es zu viele Zeilen, also mal sehen, wie es läuft...
Versuchen Sie, mehr Geschäfte abzuschließen, um das Ergebnis abzuschätzen... Je mehr von ihnen, desto schneller können Sie im realen Handel erkennen, wann das Modell neu trainiert werden sollte. Zum Beispiel ist meine Einschätzung jetzt wie folgt - bei den Testergebnissen beträgt die maximale Verlustserie 2 Trades, und wenn es 4 aufeinanderfolgende Verluste bei einem echten Trade gibt, sollte das Modell neu trainiert werden. Im Durchschnitt 400/60 = 6-7 Geschäfte pro Tag, d.h. innerhalb von nur 1 Tag können wir erkennen, ob sich eine Umschulung lohnt.
Ich habe bis jetzt 400 Trades in 3 Monaten, 15 Minuten Zeitrahmen. Ich habe eine Trainingsstichprobe von 1 Monat (in der Mitte), rechts und links gibt es einen Monat außerhalb der Stichprobe. Lot speziell für die Schönheit gehoben. Startguthaben $ 1000 :) Ich habe noch keine automatische Umschulung für die gesamte Historie durchgeführt, dafür sollte ich J-Predictor portieren oder ein anderes Neuronetz verwenden, da die Gewichte jetzt durch den Optimierer ausgewählt werden.
Es ist zu erkennen, dass 90 % der gewinnbringenden Geschäfte profitabel sind, aber die durchschnittlichen Verlustgeschäfte größer sind, weil der durchschnittliche Stoploss größer ist als der durchschnittliche Take Profit. Die maximal profitable Serie hat 33 Gewinne in Folge, gegenüber nur 2 Verlustgeschäften in Folge, aber der Gesamtgewinn von 33 Geschäften ist nur 4 Mal so hoch wie der Gesamtverlust von 2 Geschäften (der Stop-Loss sollte verkürzt werden). Mit diesen Einstellungen wird im Februar kein Geld mehr verdient.
Wenn es das Beispiel aus dem ersten Posting nicht bis zum Abend ausrechnet, werde ich es ausknocken. Außerdem ist das Problem selbst bedeutungslos und von keinem praktischen Interesse. Ich möchte nicht vierundzwanzig Stunden lang gegen den Computer antreten, nur um Spaß zu haben. Immerhin eine Ressource...
Werden Sie bei der Validierung oder auf dem Testgelände kontrolliert? Wenn Sie mit einer vollständigen Datei rechnen, können Sie die Validierungsdatei auf der Seite https://www.mql5.com/ru/forum/86386/page4#comment_2530392 überprüfen .
Ich habe ein wenig mit RNN experimentiert und es scheint, dass es sich nur an Trainingsbeispiele erinnert (wichtig in Verbindung mit Rauschprädiktoren) und bei neuen Daten verderben die Rauschprädiktoren das Ergebnis. D.h. RNN ist anfällig für Überlernung. Zumindest bei logischen Problemen mit 0 und 1.
Es ist jedoch möglich, dass Durchschnittswerte zwischen 0 und 1 recht gut interpoliert werden.
Werden Sie die Validierung auf dem Validierungs- oder Testabschnitt haben? Wenn Sie mit der vollständigen Datei rechnen, können Sie die Validierungsdatei aus dem Beitrag https://www.mql5.com/ru/forum/86386/page4#comment_2530392
überprüfen. Ich habe ein wenig mit RNN experimentiert und es scheint, dass es sich nur an Trainingsbeispiele erinnert (wichtig in Verbindung mit Rauschprädiktoren), und bei neuen Daten verderben Rauschprädiktoren das Ergebnis. Das heißt, das RNN ist anfällig für Übertraining. Zumindest bei logischen Problemen mit 0 und 1.
Es ist jedoch möglich, dass es Durchschnittswerte zwischen 0 und 1 recht gut interpoliert.
Ich habe die ganze Datei durchlaufen lassen, wir werden das Ergebnis des Trainings sehen, dann werde ich das Modell hier hochladen, und Sie können es auf Validierung prüfen..... So ist das also...
Werden Sie die Validierung oder den Testplan überprüfen? Wenn Sie mit einer vollständigen Datei rechnen, können Sie die Validierungsdatei auf der Seite https://www.mql5.com/ru/forum/86386/page4#comment_2530392 überprüfen.
Ich habe ein wenig mit dem RNN experimentiert und es scheint, dass es sich nur an Trainingsbeispiele erinnert (wichtig in Verbindung mit Rauschprädiktoren) und bei neuen Daten die Rauschprädiktoren das Ergebnis verderben. D.h. RNN ist anfällig für Überlernung. Zumindest bei logischen Problemen mit 0 und 1.
Es ist jedoch möglich, dass Durchschnittswerte zwischen 0 und 1 recht gut interpoliert werden.
Was nennen Sie Übertraining? und wie bestimmen Sie, welche Prädiktoren Rauschen sind und welche nicht? Warum glauben Sie, dass verrauschte Prädiktoren das Ergebnis verderben, während unwichtige nicht mehr funktionieren? Es gibt kaum wichtige Prädiktoren auf dem Markt, die für immer funktionieren werden.
RNN sollte im Allgemeinen auf eine bestimmte Art und Weise gehandhabt werden - bilden Sie eine stationäre Serie und nehmen Sie Signale von Extrema, in der Hoffnung auf eine Umkehrung
denn jede Ausbildung ist eine Anpassung, wenn auch mit einer nicht-linearen Bedeutung...
Haben Sie die Leistung verschiedener MO-Modelle verglichen, warum nur die Entscheidungsbäume? Bei mir treten die wenigsten Fehler auf, darüber habe ich oben geschrieben.
Bäume, sowie andere MOs haben Vor- und Nachteile, und ich hielt an dieser Methode für das Problem aus dem ersten Beitrag, durch das Prinzip der angemessenen Suffizienz, ist es genau und schnell sowohl in den resultierenden Code, und in rekursiven Generation.
Obwohl, um Trolling in diesem Thread zu vermeiden, sollte ich einen riesigen Wald mit einigen Bootstrap oder unendlich verbessern Bäume mit einigen Boosting gemacht haben, und jeder Schritt sollte beschrieben und beschrieben werden...)
Ich versuche, Sie und andere, die auf Abwege geraten sind, zur Vernunft zu bringen.
Die Entscheidungen werden vom Menschen getroffen, nicht von den Bäumen, hören Sie auf zu dilettieren.
Ein Mann muss die Situation einschätzen und das Umfeld, in dem er und seine Familie leben, verstehen.
Die Welt entwickelt sich heutzutage sehr schnell, und das Informationsumfeld ist ein großes Feld, in dem man jeden finden kann.
Sie schalten einfach einen Teil Ihres strategischen Überblicks aus und verlieren den Überblick über das Geschehen, was Sie als männlicher Beschützer einem unnötigen Risiko aussetzt.