Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 836

 
Maxim Dmitrievsky:

Für einen Händler ist es ein Wettbewerb, bei dem er seine Modelle trainiert und sie einsteckt, mit Glück - gut, mit Pech - nichts zu verlieren

Sie haben die falschen Assoziationen. Wenn Ihr Modell nicht akzeptiert wird, weil Sie zu trittsicher oder zu wenig trainiert sind, bedeutet das, dass Sie Ihre Fähigkeiten verbessern müssen. Sie müssen kein Pech haben.

 
Dr. Trader:

Sie haben die falschen Assoziationen. Wenn Ihr Modell nicht akzeptiert wird, weil Sie zu sehr auf den Füßen stehen oder zu wenig trainiert sind, bedeutet dies, dass Sie Ihre Fähigkeiten verbessern müssen. Glück hat damit nichts zu tun.

Wie lange laufen die Modelle? Wenn es ständig Wettbewerbe gibt, sind sie dann von kurzer Dauer?

Für mich ist es wichtiger, etwas Geld zu geben, um Gewinne zu erzielen.

 

Jede Woche eine neue Tour. In einer Woche müssen Sie das Modell trainieren und ihm die Vorhersagen übermitteln. Die Vorwärtsschätzung Ihres Modells wird jedoch erst nach weiteren drei Wochen bekannt sein, und Ihre Vorhersagen werden mit den tatsächlichen Vorhersagen für diese drei Wochen verglichen.

Ich glaube, sie behalten mindestens 90 %.

 
Maxim Dmitrievsky:

:))) Ich werde Ihr Thema noch einmal lesen, wenn ich mit dem RL-Studium fertig bin.

Und gehen Sie einfach davon aus, dass Ihre Prognosen besser sein werden als meine, das wäre großartig

Maxim, die beigefügte Datei enthält den BP für AUDCAD, der in exponentiellen Tick-Lese-Intervallen erhalten wurde (genauer gesagt: diskrete geometrische Verteilung bei n=0,5).

Spalte A - Angebot

Spalte B - Fragen

Spalte C - Intensität im gleitenden Fenster = 10.000

Spalte E - Zeitstempel.

Ist der Zeitstempel =0, so handelt es sich um einen künstlichen Pseudotick.

D.h. es gibt immer noch einen echten BP, der in diesem Pseudo-Muster "sitzt".

Können Sie echte BP aus den Quell-GP extrahieren und 2 Retour-GP in das neuronale Netz einfügen? Die eine - original (pseudo+real), die zweite - nur real.

Interessant.

Bei der Arbeit mit anfänglichen BP (pseudo+real) sollten Sie sich bewusst sein, dass Sie mit dem einfachsten Thread ohne Speicher arbeiten

Schritt 2: In diesem ersten BP sollten Sie nur jedes zweite Angebot annehmen. Sie erhalten einen Erlang-Fluss 2. Ordnung mit Folgen. Prüfen.

Schritt 3: In diesem ersten BP sollten Sie nur jedes 3. Angebot annehmen. Sie erhalten den Erlang-Fluss 3. Ordnung mit Folgen. Prüfen.

Etc.

Wenn Sie etwas Unglaubliches bekommen, bekommen Sie ein Signal.

Dateien:
 
Alexander_K2:

Maxim, in der beigefügten Datei - BP für AUDCAD, erhalten bei exponentiellen Tick-Lese-Intervallen (genauer gesagt - diskrete geometrische Verteilung bei n=0,5).

Spalte A - Angebot

Spalte B - Fragen

Spalte C - Intensität im gleitenden Fenster = 10.000

Spalte E - Zeitstempel.

Ist der Zeitstempel =0, so handelt es sich um einen künstlichen Pseudotick.

D.h. es gibt immer noch einen echten BP, der in diesem Pseudo-Muster "sitzt".

Sie können echte BP aus den Quell-GP extrahieren und sie in ein neuronales Netz mit 2 Returnee-GP einspeisen. Die eine - original (pseudo+real), die zweite - nur real.

Interessant.

Ich werde versuchen, es schon morgen in ns zu schieben )

 
Maxim Dmitrievsky:

Ich werde versuchen, es morgen einzutragen.)

Ich habe den Prüfalgorithmus auch dort eingefügt. Seien Sie bitte vorsichtig.

 
Alexander_K2:

Ich habe auch einen Prüfalgorithmus hinzugefügt. Seien Sie bitte einfach vorsichtig.

Ja, ich sehe, dass es komplizierter wird mit Zecken, aber ich werde es sorgfältig tun)

Konvertieren Sie diese Sequenzen in benutzerdefinierte МТ5-Symbole und machen Sie sich bereit... wenn sie funktionieren

 
Maxim Dmitrievsky:

Ja, ich verstehe, es wird komplizierter mit Zecken, aber ich werde etwas Ordentliches machen).

Diese Zeilen müssen Sie in benutzerdefinierte Symbole von MT5 zu konvertieren, werden sie als separate vorgefertigte Symbole erscheinen ... wenn sie erfolgreich

Nun, Sie können auch das Gegenteil tun - wählen Sie zuerst den Erlang-Fluss der Ordnung 100 und gehen Sie dann zum einfachsten :))

 

Zum Thema Vorhersage der Volatilität. Nehmen wir an, dass die Vorhersage der Volatilität viel einfacher ist als die Vorhersage des Kurses selbst

Und es gibt sogar alle Arten von Modellen wie https://en.wikipedia.org/wiki/Markov_switching_multifractal

Was bringt es, wie wendet man es richtig an, hat es schon jemand gemacht?

Markov switching multifractal - Wikipedia
Markov switching multifractal - Wikipedia
  • en.wikipedia.org
The MSM model can be specified in both discrete time and continuous time. Let denote the price of a financial asset, and let r t = ln ⁡ ( P t / P t − 1 ) {\displaystyle r_{t}=\ln(P_{t}/P_{t-1})} denote the return over two consecutive periods. In MSM, returns are specified as r t = μ + σ ¯ ( M 1 , t M 2 , t...
 
Maxim Dmitrievsky:

Zum Thema Vorhersage der Volatilität. Nehmen wir an, dass die Vorhersage der Volatilität viel einfacher ist als die Vorhersage des Kurses selbst

Und es gibt sogar alle Arten von Modellen wie https://en.wikipedia.org/wiki/Markov_switching_multifractal

Was bewirken sie, wie kann man sie verwenden, hat jemand schon einmal etwas mit ihnen gemacht?

GARCH wird, im Gegensatz zum maschinellen Lernen, auf den Finanzmärkten als Mainstream bezeichnet (zusammen mit Kointegration und Portfolios).

Die Modelle berücksichtigen eine Reihe von statistischen Nuancen von Inkrementen, einschließlich dicker Schwänze und langer Speicher à la Hurst.

Es gibt zum Beispiel eine Veröffentlichung über die Wahl der Parameter von GARCH-Modellen für ALLE Aktien, die im S&P500 Index enthalten sind!

Es gibt eine Vielzahl von Veröffentlichungen über die Anwendung im Forex-Bereich. Das Toolkit ist sehr gut entwickelt. Zum Beispiel das Paket rugarch.



Verlassen wir also den Bauernhof, begeben wir uns auf die Landstraße und gehen wir zum Marsch "Abschied von Slawjanka"!