Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 549

 

Hier ist ein weiteres Beispiel für Prophet, aber für R (Python hat bei mir nie funktioniert)

Ich denke, wenn man Daten anstelle von Anführungszeichen transformiert, wird es bessere Vorhersagen machen als Arima.

und vergleichen Sie mit arima für Interesse

https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/

Get My Forex Systems FREE!
Get My Forex Systems FREE!
  • admin
  • strategy.doubledoji.com
Trading is all about forecasting price. If you have been reading my Forex Strategies 2.0 Blog, you must have seen I am focusing more and more on algorithmic trading. If you can forecast currency pair price with a reasonable degree of accuracy, you can make a lot of pips. Markets have changed a lot. Today algorithms rule the market. Wall Street...
 

Hier ist eine weitere großartige Forschungsarbeit:

https://msperlin.github.io/pafdR/research-scripts.html

Processing and Analyzing Financial Data with R
  • Marcelo S. Perlin (marcelo.perlin@ufrgs.br)
  • msperlin.github.io
Here we will present three elaborate examples of financial research with R. Every script provided here is reproducible, using refreshable data from the internet. You can download the code and replicate all results. Each research script is saved in a single .Rmd file and is available in the book repository, folder . The first example of research...
 
Maxim Dmitrievsky:

Hier ist ein weiteres Beispiel für Prophet, aber für R (Python hat bei mir nie funktioniert)

Ich denke, wenn man Daten anstelle von Anführungszeichen transformiert, wird es bessere Vorhersagen machen als Arima.

und vergleichen Sie mit arima für Interesse

https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/


Es sollte auf dem Bogen getestet werden. Manchmal gibt es Zeitreihen ohne Bogeneffekt, aber wenn er vorhanden ist, dann braucht er Garch, und es ist notwendig, einen bestimmten auszuwählen (es gibt viele von ihnen), und dann ist es sehr nützlich, die Verteilung zu modellieren.

 

Im Folgenden finden Sie zwei Auszüge aus meinem Artikel, den ich gerade fertig stelle. Sie brauchen Ihre Zeit nicht damit zu verschwenden, das Fahrrad neu zu erfinden. Sie werden es nicht besser machen als die Profis. Python und R sind bereits auf wunderbare Weise integriert. Verwenden Sie einfach.

"Verwendung der TensorFlow-Bibliothek".

Das aufkeimende Feld der tiefen neuronalen Netze wurde kürzlich durch eine Reihe von Open-Source-Bibliotheken bereichert. Das weithin beworbeneTensorFlow (Google),CNTK (Microsoft),Apache MXNet und viele andere. Da alle diese und andere wichtige Softwareentwickler dem R-Konsortium angehören, wird für alle diese Bibliotheken eine API zu R bereitgestellt.

Alle oben genannten Bibliotheken sind sehr einfach aufgebaut. Für Anfänger in diesem Bereich sind sie schwer zu verdauen. Vor diesem Hintergrund hat das Rstudio-Team daskeras-Paket für R entwickelt.

Keras ist eine High-Level-API für neuronale Netze, bei deren Entwicklung der Schwerpunkt auf der Möglichkeit lag, schnell zu experimentieren. Der Schlüssel zu guter Forschung ist die Fähigkeit, möglichst schnell von der Idee zum Ergebnis zu kommen. Keras hat die folgenden Hauptmerkmale:

  • Sie können sowohl auf der CPU als auch auf der GPU laufen.
  • Freundliche API, die ein einfaches Prototyping von Deep-Learning-Modellen ermöglicht.
  • Integrierte Unterstützung für Faltungsnetze (für Computer Vision), rekursive Netze (für Sequenzverarbeitung) und jede Kombination aus beiden.
  • Unterstützt beliebige Netzarchitekturen: Modelle mit mehreren Eingängen oder mehreren Ausgängen, gemeinsame Nutzung von Schichten, gemeinsame Nutzung von Modellen usw. Das bedeutet, dass Keras für die Erstellung praktisch aller Deep-Learning-Modelle geeignet ist, von einem Speichernetzwerk bis hin zu einer neuronalen Turing-Maschine.
  • Es ist in der Lage, auf mehreren Back-Ends zu laufen, darunter TensorFlow, CNTK oder Theano.

Installieren und laden Sie einfach das keras R-Paket herunter und führen Sie dann die Funktion keras :: install_keras () aus, die TensorFlow, Python und alles andere installiert, was Sie benötigen, einschließlich Virtualenv- oderConda-Umgebungen. Es funktioniert einfach! Eine Anleitung zur Installation von Keras und TensorFLow auf GPUs finden Sie unter.Hier. Weitere Einzelheiten finden Sie indem Artikel".

"Das tfruns-Paket ist zum Experimentieren mit TensorFlow gedacht. Dastfruns-Paket bietet eine Reihe von Werkzeugen, um TensorFlow-Training und Experimente von R aus zu steuern:

  • Verfolgen Sie die Hyperparameter, Metriken, Ergebnisse und den Quellcode jedes Trainingszyklus.
  • Vergleich von Hyperparametern und Metriken zwischen den Durchläufen, um das effizienteste Modell zu finden.
  • Erstellen Sie automatisch Berichte, um einzelne Trainingsläufe oder Vergleiche zwischen Läufen zu visualisieren.
  • Es sind keine Änderungen am Quellcode erforderlich (die Laufdaten werden automatisch für alle Keras- undtfestimators-Modelle erfasst).

TensorBoard bietet die beste Visualisierung des Prozesses und der Ergebnisse des DNN-Trainings.

Und natürlich können Deep-Learning-Kenner direkt mit der Low-Level-Bibliothek TensorFlow arbeiten, indem sie das Tensorflow-Paket verwenden.

Alle diese Pakete basieren auf der grundlegenden -retikulierten- R-Schnittstelle zu Python-Modulen, -Funktionen und -Klassen. Beim Aufruf in Python werden die R-Datentypen automatisch in ihre entsprechenden Python-Typen konvertiert. Wenn Werte von Python nach R zurückgegeben werden, werden sie wieder in R-Typen konvertiert. Es lohnt sich, sie sorgfältig zu studieren.

Alle diese Pakete sind gut dokumentiert, was angesichts der Entwicklerklasse nicht verwunderlich ist, und werden mit zahlreichen Beispielen versehen und ständig weiterentwickelt. So haben wir die einmalige Gelegenheit, in Experten und Indikatoren die modernsten und fortschrittlichsten Deep-Learning-Modelle (DNN, RNN, CNN, LSTM, VAE usw.), Reinforcement Learning (RL) und viele andere Entwicklungen von Python im Bereich des maschinellen Lernens zu verwenden, wenn Sie über genügend Wissen und Erfahrung verfügen".

Viel Glück!

 

gleichzeitig wird die Komplexität der Strategien und die Menge an Arbeit zu viel für 1 Person, die sich nicht professionell mit Date-Satanismus beschäftigt :) obwohl dies nur auf den ersten Blick sein mag

 

Die Integration von Python und MT ist fast abgeschlossen. Ich musste eine zusätzliche DLL schreiben. Es gibt noch ein paar Kleinigkeiten. Beenden Sie mqh und schreiben Sie das Dokument. Die Bibliothek hat nicht viele Funktionen, aber sie ist ausreichend. Es ist möglich, ein Python-Skript zu laden und auszuführen. Und auch eine beliebige Funktion davon aufrufen. Es funktioniert mit Listen, aber nur eindimensional und homogen. D.h. ein MQL-Array wird in eine Liste umgewandelt und zurück.

 
Maschinelles Lernen von Yandex https://habrahabr.ru/company/yandex/blog/333522/
Яндекс открывает технологию машинного обучения CatBoost
Яндекс открывает технологию машинного обучения CatBoost
  • 2018.07.17
  • habrahabr.ru
Сегодня Яндекс выложил в open source собственную библиотеку CatBoost, разработанную с учетом многолетнего опыта компании в области машинного обучения. С ее помощью можно эффективно обучать модели на разнородных данных, в том числе таких, которые трудно представить в виде чисел (например, виды облаков или категории товаров). Исходный код...
 

Aber das R-Tutorial ist gut... von Grundlagen und linearen Modellen bis hin zu Garch und Facebook-Prophet...(nicht umsonst lade ich Prophet hier hoch, da es in bestimmten Kreisen auf Interesse stößt und mega-einfach zu bedienen ist) fast dasselbe wie für Python, aber ausführlicher, vom R-Lehrer

Im Allgemeinen ist es natürlich logisch, von der Ökonometrie zu den neuronalen Netzen überzugehen und nicht umgekehrt, d.h. zu studieren, was bereits vorhanden ist (wenn man nicht an der Universität studiert hat), was einen Sinn für die Reflexion hätte, und sich dann in die Netze zu versenken

Und ganz allgemein ist zu beachten, dass neuronale Netze in der Ökonometrie eine Sonderstellung einnehmen und (noch) nicht das Hauptthema sind.

https://msperlin.github.io/pafdR/

Processing and Analyzing Financial Data with R
  • Marcelo S. Perlin (marcelo.perlin@ufrgs.br)
  • msperlin.github.io
Welcome to the book site of Processing and Analyzing Financial Data with R. Here you can find the full online content of the book. The book is also available as an ebook (Amazon) and hardcover (CreateSpace / Amazon). If you liked the material and are using the book, please consider purchasing it. As an author, I certainly appreciate the gesture...
 
Maxim Dmitrievsky:


Im Allgemeinen ist es natürlich logisch, von der Ökonometrie zu den neuronalen Netzen überzugehen und nicht umgekehrt, d. h. etwas zu studieren, das bereits existiert (wenn man es nicht an der Universität studiert hat), um etwas zum Nachdenken zu haben, und dann in die Netze einzusteigen

Und ganz allgemein ist zu beachten, dass neuronale Netze in der Ökonometrie eine Sonderstellung einnehmen und (noch) nicht das Hauptthema sind.

https://msperlin.github.io/pafdR/

Vor einigen Jahren interessierte ich mich für Matlab und im Gegensatz zu meinen Vorstellungen von den Werkzeugen der Ökonometrie gab es in der Toolbox unter dem Namen "Econometrics" NUR GARCH-Modelle.

Am Ende habe ich mich für ME entschieden. Was mich am meisten überraschte, waren die sehr dürftigen Veröffentlichungen über die Anwendung von MO auf den Finanzmärkten.

Kürzlich kehrte ich zu GARCH zurück und war erstaunt über die Fülle von Veröffentlichungen zur Anwendung von GARCH auf den Finanzmärkten: Börsen, Indizes, Futures, Währungspaare. Es ist einfach ein Riesenspaß.

Vielleicht hat Matlab also recht? Vielleicht sind alle IO-Instrumente, einschließlich der NS, Instrumente Dritter für die Finanzmärkte?

 
SanSanych Fomenko:

Vielleicht hat Matlab also recht? Vielleicht sind alle IO-Tools, einschließlich NS, Drittanbieter-Tools für die Finanzmärkte?


Nun, ja, es handelt sich nicht um fertige ökonometrische Modelle, sondern lediglich um ein für alle Bereiche gültiges Instrumentarium.

Bei der nichtparametrischen Ökonometrie geht es nur um IR und unscharfe Logik, aber ich habe noch keine eindeutigen Ergebnisse gesehen, vielleicht weil einige gemeinsame Ansätze noch nicht ausgearbeitet wurden. Ich weiß nicht, wie man es macht, aber ich habe einige allgemeine Ansätze gesehen).