Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2611
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
99% Wahrscheinlichkeit oder 0,99 ohne Prozentsatz
Sie sind ein furchterregender Mann!
Eine solche Wahrscheinlichkeit zu haben und mit einfachen Sterblichen zu kommunizieren...? - das ist nicht echt...
Sie sind ein furchterregender Mann!
Eine solche Möglichkeit zu haben und mit einfachen Sterblichen zu kommunizieren...? - das ist nicht echt...
come on ;)
Der Punkt ist, dass die meisten Händler, egal wie sehr sie sich anstrengen, am Ende gegenläufige Trends handeln.
die Verteilung der Volumina an der CME, die dynamisch online veröffentlicht werden, und das Verhalten der Preise zu beobachten
das wiederum sagt nur eines - der Preis ist gegen die meisten
gekauft - Preis runter und umgekehrt.
und so war es und so wird es immer sein
denn:
https://www.mql5.com/ru/forum/86386/page2605#comment_28636383
Es ist keine gute Idee, eine Strategie auf der Grundlage von Informationen aus dem CME zu entwickeln.
denn.
Sobald sie es bemerken, wissen sie, wie sie die falschen Informationen wegwerfen können.
Das habe ich auch schon gemacht ;)
Es handelt sich um eine Art Boosting, wie Alexej betonte
Verbesserung bei jeder Iteration, angesichts der Prüfungsstichprobe
Aber die Rückseite ist nicht gut (auf der linken Seite), aber manchmal ist es besser.
Es gibt viele Einstellungen, die ich nicht im Detail erläutern werde. Ich habe die Idee so gut ich konnte beschrieben.
wenn Sie 100 Iterationen abwarten
Es handelt sich um eine Art Boosting, wie Alexej betonte
Verbesserung bei jeder Iteration, angesichts der Prüfungsstichprobe
Aber die Rückseite ist nicht gut (auf der linken Seite), aber manchmal ist es besser.
Es gibt viele Einstellungen, die ich nicht im Detail erläutern werde. Ich habe die Idee so gut ich konnte beschrieben.
Im Grunde muss ich nur 2 Diagramme (Gleichheit) betrachten, alle auf reinen OOS: 1 - erstes Modell, trainiert, ohne zusätzliche Funktionen, 2 - nach all diesen beschriebenen Verfahren. Sie können auch PF-, RF- und Winrate-Metriken verwenden. Und so ist es nicht klar, was ist die Wirkung, eine schöne Lernkurve ist, wie ich verstehe, auf IS?
Sie brauchen sich nur zwei Diagramme (Equity) anzusehen, die alle auf reinen OOS basieren: 1 - das erste Modell, trainiert, ohne jeglichen Schnickschnack, 2 - nach all diesen beschriebenen Verfahren. Sie können auch PF-, RF- und Winrate-Metriken verwenden. Und so ist es nicht klar, was ist die Wirkung, eine schöne Lernkurve ist, wie ich es verstehe, auf IS?
erstes Drittel des Diagramms - neue Daten, nicht am Lernen beteiligt
die Bilder mit 25 und 100 Iterationen zeigen eine Verbesserung bei 100, obwohl das Maximum bei 70 lagEs gibt eine Frage wie diese:
Es werden zwei Modelle verwendet. Der eine sagt voraus, ob man kaufen oder verkaufen soll, der andere, ob man handeln soll oder nicht.
Zuerst wird das erste Modell trainiert, dann schauen wir, wo es schlechte Vorhersagen macht, markieren diese Beispiele als "nicht handeln", die anderen guten als "handeln" und lehren dies dem zweiten Modell.
Das erste Modell wird nicht nur im Trainingsbereich, sondern auch im zusätzlichen Bereich getestet, und das zweite Modell wird in beiden Bereichen trainiert.
Wir wiederholen diesen Vorgang mehrmals und trainieren beide Modelle mit demselben Datensatz. Die Ergebnisse verbessern sich allmählich bei den Proben. Aber nicht immer bei der Kontrollprobe.
Parallel dazu führen wir ein Protokoll der schlechten Geschäfte für alle Durchgänge, in dem alle "schlechten" Geschäfte für "nicht zu handeln" gesammelt werden, um das zweite Modell zu trainieren und nach einem bestimmten Prinzip zu filtern: je mehr Kopien von schlechten Geschäften für alle Durchgänge, desto größer die Chance, sie als "nicht zu handeln" zu markieren.
Zum Beispiel wird für jedes Datum eine bestimmte Anzahl von schlechten Geschäften für alle Iterationen des Trainings akkumuliert. Wenn diese Anzahl einen Schwellenwert (Mittelwert, Durchschnitt) überschreitet, werden diese Geschäfte als "nicht handeln" markiert. Die restlichen Gewerke werden übersprungen, da es sonst möglich wäre, alle Gewerke auszuschließen, wenn es viele Trainingsiterationen gibt.
Mit dem Koeffizienten können Sie die Anzahl der Abschlüsse am Ausgang anpassen. Je niedriger er ist, desto mehr Abschlüsse werden herausgefiltert.
... An diesem Punkt bin ich schon müde zu schreiben ...
Wie kann eine solche Kombination von Modellen so verbessert werden, dass sie ihre Ergebnisse auf einer neuen unabhängigen Fläche verbessert?
Gibt es eine Philosophie, warum das funktionieren könnte? Abgesehen von der Tatsache, dass sich die Modelle bei jeder Umschulung natürlich verbessern (der Fehler sinkt), stellt sich die Frage, wie man die Anpassung loswerden kann.
Illustration. Das Diagramm ist in 3 Teile aufgeteilt. Der letzte trainiert das erste Modell, der vorletzte und letzte das zweite, das erste Drittel ist ein Prüfungsbeispiel. Natürlich wird der letzte Abschnitt der beste sein und das erste Drittel der schlechteste.
In diesem Fall wurden beide Modelle in 15 Iterationen unter Verwendung des Protokolls der schlechten Geschäfte neu trainiert.
klingt nach einer trivialen Multi-Label-Klassifizierung - wir sollten nicht die Kombination der Modelle, sondern die Kombination der Prädiktoren variieren -- vor allem die Aufteilung der Prädiktoren in Merkmale von Smart- und Retail-Aktionen... denn natürlich wird es gegenteilige Signale geben, aber OTF-Einstiegspunkte (für den Zusammenbruch von Niveaus) - es ist bereits Edge für die Modellauswahl (dtf oder otf Aktion im Markt)... imho
==========
oder ohne Markierung, sondern nur mit LSTM mit Vergiss-Gate-Möglichkeiten, so dass man nicht aus 2 Modellen getrennt filtern muss... aber das ist alles Geschmackssache...
Ich habe eine Regression bei IBM (Testdaten von Ende 2021 - dort ist der rechte Schwanz auf dem Preisdiagramm im Zug- und Testdiagramm dargestellt)... ... einfach durch Schließen...
- ... Ich habe eine triviale MA - und es wird immer in einem Trend arbeiten (wie auch immer es funktioniert), nicht in flachen - smart & Einzelhandel Verhalten sollte zusätzlich gefiltert werden (und das Modell sollte neu gestaltet werden, um eingehende und ausgehende klassifizieren ...)
sieht aus wie eine triviale Multi-Label-Klassifikation - nicht die Kombination der Modelle sollte variiert werden, sondern die Kombination der Prädiktoren - vor allem die Aufteilung der Prädiktoren in Merkmale von Smart- und Retail-Aktionen... denn natürlich wird es gegenteilige Signale geben, aber OTF-Einstiegspunkte (für den Zusammenbruch von Niveaus) - es ist bereits Edge für die Modellauswahl (dtf oder otf Aktion auf dem Markt)... imho
==========
oder ohne Markup, aber nur mit LSTM und Layern, so dass Sie nicht separat aus 2 Modellen filtern müssen... aber das ist alles Geschmackssache...
Ich habe eine Regression bei IBM (Testdaten von Ende 2021 - dort ist der rechte Schwanz auf dem Preisdiagramm im Zug- und Testdiagramm dargestellt)... ... einfach durch Schließen... - Wir haben ein triviales MA - und es wird immer in einem Trend funktionieren (egal wie), nicht in flachen - smart & Einzelhandel Verhalten sollte zusätzlich gefiltert werden (und das Modell sollte neu gestaltet werden, um eingehende und ausgehende klassifizieren ...)
Es handelt sich nicht um ein Multilabel, sondern um eine andere Bedeutung. Schlechte Signale iterativ ausschließen, diejenigen, die vom Hauptmodell gut vorhergesagt werden, auf dem gemeinsamen Stapel lassen, und das zweite Modell lernt, die schlechten von den guten zu trennen, den Handel mit dem ersten zu verbieten oder zu erlauben
lstm erzeugt immer MA, vor langer Zeit getestet