Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 533
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
ja, warum nicht gut? Bis zur Erfindung der KI ist MO im Wesentlichen Optimierung.
Auch die Genetik ist ein Teil der KI.
Außerdem gibt es eine vielversprechende, hybride Richtung - NEAT, die neuronale Netze entwickelt.
Kriterien sind bei der "Optimierung" wichtig. Eine Optimierung auf der Grundlage des maximalen Gewinns ist kein gutes Kriterium. Und es gibt keinen Grund zu glauben, dass es in Zukunft irgendwie funktionieren wird, was wir in der Praxis, insbesondere im Forum, oft sehen.
Nicht unbedingt nach dem maximalen Gewinn, Sie können R^2 verwenden, wie es kürzlich in dem Artikel vorgeschlagen wurde, oder etwas anderes, es gibt benutzerdefinierte Kriterien. Darum geht es nicht, sondern darum, durch opt stabile Abhängigkeiten zu finden. Danach werden die besten Läufe ausgewählt und analysiert, warum sie am besten sind und welche interessanten Dinge gefunden wurden.
Außerdem gibt es eine vielversprechende, hybride Richtung - NEAT, die neuronale Netze entwickelt.
mal wieder was Neues von dir, ich geh mal googeln :)
Außerdem gibt es eine vielversprechende, hybride Richtung - NEAT, die neuronale Netze entwickelt.
Sie haben zum Ausdruck gebracht, was ich in den letzten Monaten gedacht habe, aber nicht in der Lage war, einen Gedanken zu formulieren.
NEAT
Das Thema an sich ist interessant, aber es hat den Forex-Test nicht bestanden. Es gab einige Artikel darüber in diesem Thread, es gibt sogar ein Paket für R -https://github.com/ahunteruk/RNeat.
NEAT ein paar Worte - wir wählen die Gewichte der Neuronenschlüssel mit Hilfe eines genetischen Algorithmus anstelle eines herkömmlichen Trainings.
Ein Beispiel für den Algorithmus in Aktion: Das Neuronka wird darauf trainiert, ein Mario-Spiel zu spielenhttps://www.youtube.com/watch?v=qv6UVOQ0F44
Während man beim normalen Training eines neuronalen Netzes das Training unterbrechen und die Überanpassung an neuen Daten überprüfen kann, um das Training rechtzeitig zu beenden, funktioniert das bei NEAT nicht, da die Genetik so lange nach Gewichten sucht, die am besten zur Fitnessfunktion passen, bis sie an ihre Grenzen stößt, was zu einer starken Überanpassung und einem unbrauchbaren Modell für neue Daten führt.
Die Prüfung an echten Zecken erfolgt in Echtzeit. Und es ist schade, dass Sie es nicht mit einem Tester benutzen.
Es ist seltsam zu hören, dass "echte Ticks" nicht im MetaTrader-Tester sind, sie werden generiert, mathematisch sieht es so aus, dass sie am (O+H+L+C)/4 der nächsten Kerze, vor der das Signal erscheint, öffnen/schließen.
Minus dieser Börse (bittrex) - ihre api hat keine Funktionen, um ohlc Werte zu erhalten
Aber nein, sie tun es. Es ist nur so, dass ihre API 2.0 immer noch undokumentiert ist, die Informationen liegen irgendwo in den unteren Regionen des Internets(((
Beispiel einer Candlc-Anfrage:bittrex.com/Api/v2.0/pub/market/GetTicks?marketName=BTC-ETH&tickInterval=day&_=1499127220008
Nun, ihre Candlesticks sind schlecht, sie machen sie nicht aus ihrem Orderlog, sondern aggregieren sie irgendwie aus anderen Quellen, die Hochs und Tiefs können viel stärker sein als in ihren Charts, man muss auf jeden Fall Ticks schreibenSie natürlich nicht, ich schon.
Das tue ich wirklich, danke.
Seltsam zu hören, dass es im Metatrader-Tester keine "echten Ticks" gibt, sie werden generiert, mathematisch gesehen ist es so etwas wie das Öffnen/Schließen bei (O+H+L+C)/4 der nächsten Kerze, vor der das Signal aufgetreten ist.
seltsam zu hören, dass es keine echten Ticks in Metatrader's Tether gibt, fühlt sich an wie die Arbeit mit der Plattform
Hallo zusammen!!! Eine bekannte Frage. WIE man die KI so lange wie möglich ohne Über-Optimierung betreiben kann???? Ich persönlich sehe zwei Antworten.
1. Verbessern Sie die Qualität der Inputs, d. h. finden Sie einen Input, der die Ursache für den Output ist. Diese Aufgabe ist äußerst schwierig und manchmal gar nicht durchführbar, weil es solche Inputs in der Natur im Prinzip nicht gibt.
2. Verlängern Sie die Ausbildungszeit mit einem angemessenen Niveau der Modellqualität. Dies ist der Ansatz, den wir meiner Meinung nach in Betracht ziehen sollten.....
Mit einem Ausschuss von zwei Netzen erhalten wir drei Zustände "Ja", "Nein" und "Ich weiß nicht" - wenn zwei Netze in verschiedene Richtungen schauen, ist es dieser Effekt, den wir versuchen werden zu nutzen.
Zunächst trainiere ich das Netz mit 1000 Datensätzen. Normalerweise erhalten etwa 60 % von ihnen den Status "Ich weiß nicht". Dann erstellen wir ein Modell der zweiten Ebene, das wir nur auf den Status "Ich weiß nicht" trainieren. Außerdem sind in der zweiten Ebene etwa 300 von 600 Einträgen undefiniert. Das ist richtig, Leute, wir werden Boosting verwenden. Das heißt, das Netz wird immer wieder neu trainiert. Ich habe es bis zur dritten Stufe geschafft. So konnten wir das Modell etwa drei Monate lang auf der TF M15 trainieren. Ich muss zugeben, dass die Vorbereitung der Modelle mehr als zwei Tage in Anspruch genommen hat, und das ist kein Wunder, wenn man bedenkt, dass wir 6 Signalmodelle + 8 Bounce-Modelle bauen mussten, aber all diese Zeit wird nur dafür aufgewendet, die Kapazität von TS ohne Überoptimierung und menschliche Beteiligung auf einen Monat zu erhöhen.
Dieses Bild zeigt die Ausbildungszeit des TS. Der Test wurde mit einer Partie durchgeführt, ohne die Möglichkeit, Pausen einzulegen. Das heißt, ohne das Modell SENDING!
Achten Sie auf die "Rentabilität". Sie sollte nicht zu hoch sein, zwischen 2 und 5... innerhalb dieser Grenzen. Ein hoher Wert dieses Indikators ist IMHO ein Zeichen für Übertraining. Wenn der NS diesen Abschnitt gelernt hat.
Im nächsten Bild habe ich das Pullback-Modell angeschlossen. D.h. wenn ein Signal erscheint, analysieren wir, ob es einen Pullback geben wird, und wenn "ja", platzieren wir eine Pending Order, wenn "nein", steigen wir in den Markt ein. Hier verwenden wir etwa vier Modellinvestitionen im Modell, und wie wir sehen können, ist das Ergebnis beim Parameter "Rentabilität" viel besser. Diese Methode ist eigentlich dazu gedacht, die Gleichgewichtskurve glatter und stärker aussehen zu lassen.
In der Regel nimmt die Zahl der Geschäfte ab, der Gewinn sinkt und die Rentabilität steigt.
Aber wir wissen, dass die Indikatoren im Ausbildungsbereich nichts aussagen, und das stimmt auch. Aber ich habe eine Antwort auf eine sehr wichtige Frage gefunden: "Wie kann man die Qualität der Ausbildung bewerten? Woher wissen Sie, wie gut Ihr Modell den Markt verallgemeinert und ob es das überhaupt kann? Die Antwort erwies sich als oberflächlich und sehr einfach. Sie benötigen ein weiteres Testintervall!!!!!! Aber was ist das? ..... darüber in der Fortsetzung....