Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1195
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
Nehmen wir an, es gibt bereits eine Kurve wie die Ihre - eine A-priori-Wahrscheinlichkeitsverteilung
Nach der Bayes'schen Formel kann man sie nach jedem Handel aktualisieren, so dass sich das Zentrum verschiebt und eine neue a posteriori-Verteilung erhält, d.h. ungefähr ein Verschiebungsfaktor, der nach jedem Handel aktualisiert wird. Dadurch wird das Modell leicht an die neuen Gegebenheiten angepasst, obwohl das Modell selbst gleich bleibt.
Ich weiß nicht, wie man es richtig macht, eigentlich sollte es einfach sein, aber ich habe es noch nie gemacht :)
Es handelt sich nicht wirklich um ein Modelltraining, denn wir verwenden keine neuen Gesetze, sondern ändern die Interpretation der alten - die Prädiktoren im Modell und die Aufteilungen in den Bäumen bleiben gleich. Hier müssen wir uns informieren, welche Regelmäßigkeiten eingetragen wurden - es gibt ein Array in catbust, in dem die Regelmäßigkeiten aller Blätter stehen, und dieses Array entsprechend bearbeiten, indem wir die Regelmäßigkeit (eine Zahl zur Interpretation der Regelmäßigkeit) verschieben. Das Problem ist, dass es viele Blätter pro Input geben wird, so dass man sie proportional verteilen muss, entweder an diejenigen, die für den Input waren, also weniger, oder an diejenigen, die dagegen waren, also mehr. Die Frage ist, wie viele Blätter, wenn es 100 von ihnen und 1000 von Geschäften sind, dann können Sie Statistiken für jedes Blatt zu verwenden.
Und wenn wir von der Annahme ausgehen, dass sich aufgrund der Nicht-Stationarität nicht die Muster selbst ändern, sondern das Modell sich einfach verschiebt und nicht die richtigen Signale gibt
Wir müssen nicht die ganze Zeit unter die Motorhaube gehen, wenn wir eine scharfe Kurve fahren wollen, wir müssen nur manchmal lenken... und hier sehe ich keinen großen Unterschied zwischen der Änderung des Modells und der Änderung der Ausgangsverteilung... wie auch immer :)
Man muss noch unter die Motorhaube schauen, denn die endgültige Antwort ist die Summe der Blattwerte und die werden nicht immer alle verwendet, sondern nur, wenn es entsprechende Indikatoren dafür gibt. Daher kann 1 Blatt pro Eingang verwendet werden, also 100! Daher können wir die Interpretation des Modells nicht ändern, indem wir die Wahrscheinlichkeit für alle Situationen verschieben, oder besser gesagt, wir können es, aber es ist nicht logisch, weil einige der Blätter weiterhin richtig klassifizieren können. Also entweder ändern Sie die Blattindikatoren, oder machen Sie eine separate zusätzliche Interpretation jedes Blattes und verschieben Sie es je nach Kombinationen mit anderen Blättern, aber ich bin nicht sicher, dass das produktiv ist.... Deshalb bevorzuge ich kleine Modelle - wenn man sie kombiniert, ist es einfacher herauszufinden, welches Modell lügt und es loszuwerden.
Wenn es nur wenige Blätter gibt, dann ist es vielleicht möglich, die Wahrscheinlichkeitsschranke zu verschieben, aber wenn es viele Blätter gibt und nur ein kleiner Teil von ihnen pro Eingabe verwendet wird, macht es logisch keinen Sinn.aber manchmal muss man einfach lenken...
affine Transformation lenken kann ;), hier ist ein Beispiel in KB warhttps://www.mql5.com/ru/code/9378
Ich habe etwas Ähnliches gemacht, aber wie finde ich heraus, in welche Richtung ich dann lenken muss? )
auf keinen Fall, nur mit einem Tester ((
vielleicht ein Kalman-Filter )
googeln Sie "kalman habrahabr", der Artikel wurde dort schon vor langer Zeit gelesen, das Wertvollste steht in den Kommentaren, der Autor des Artikels in pooh.... Soweit ich verstanden habe, wird es wie alle anderen funktionieren - nur mit sich langsam ändernden Daten
PS: Es gab Kalman-Beispiele in KB - was wäre wenn? ;)
Vielleicht, das ist noch nicht klar... bis Sie es ausprobieren)
Möglicherweise haben Sie ein schlechtes Blatt mit instabilem Prädiktor in einer korrekt vorhersagenden Kombination und müssen es loswerden. Beispielsweise kann man die Kombination anhand von 80 % der an ihr beteiligten Blätter identifizieren - ein bestimmtes Quorum, und wenn ein neues Blatt mit einem hohen Gewicht auftaucht, kann man es herausfiltern. Ich frage mich sogar, wie viele Kombinationen es mit diesem Kriterium pro 1000 Transaktionen geben kann... Aber ich habe keine Ahnung, wie ich das herausfinden kann.
Ein wichtiger Trick... Zipfsches Gesetz (exponentiell). Und auch der Nachweis, dass Variablen mit höherer Varianz (höherer Preisverzögerung) in Baummodellen immer eine höhere Bedeutung haben. Es gibt viele ähnliche Merkmale (insgesamt 500), so dass die Grafik nicht sehr anschaulich ist. Ich werde sie später noch einmal überarbeiten.
Schön!
Frage als Python-Spezialist, geben Sie mir etwas in Python für Experimente, ich bin fast fertig mit Sharp, es verbindet sich mit MT5 ohne Probleme, C # unterstützt auch Python, ich kann versuchen, zu Python zu wechseln ;)
Wunderschön!
Frage als Experte für Pythons, geben Sie mir etwas in Python für Experimente, ich bin fast fertig mit Sharp, es verbindet sich mit MT5 ohne Probleme überhaupt, C# und Python werden angeblich unterstützt, dann kann ich zu Python wechseln ;)
Ich lerne gerade Python... nun, was gibt es da zu lernen, ich meine, ich beherrsche die MO-Modelle noch nicht... was genau wollen Sie? Nehmen Sie ein Beispiel von dieser Website https://scikit-learn.org/stable/
wie z.B. Random Forest.
Ich lerne gerade Python... oder besser gesagt, was gibt es zu lernen, ich meine, ich habe es noch nicht wirklich benutzt... was genau wollen Sie? nehmen Sie ein Beispiel von hier https://scikit-learn.org/stable/
wie z.B. Random Forest.
oder Gradient Boosting, fertige Beispiele.
Ok, danke, ich werde mich morgen darum kümmern.
Die Diagramme hier und hier und auch hier wurden mit einem Fehler gezeichnet, die Werte sind nicht von Null, so dass die Wahrscheinlichkeit von 0,5 nicht bei Punkt 5, sondern bei Punkt 6 liegt!
Dies ist die Art von Fehler, die bei der Analyse von Daten und dem Versuch, sie sinnvoll zu nutzen, auftreten kann, ein technischer Fehler sozusagen...