Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1496

[Maxim Dmitrievsky]

mytarmailS:

Grob gesagt, ja, hier ist der Artikel, aus dem die Grundlage für alles, washttp://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/, entnommen wurde.

Und hier ist ein Codeschnipsel aus dem Beispiel in dem Artikel.

Wenn Sie die Datenverarbeitung und Visualisierung weglassen, ist der Code drei Zeilen lang.

Nun, hier kommen z.B. bulmarket und bearmark und bulmarkett her, d.h. es ist zunächst eine gewisse Datenvorverarbeitung erforderlich

und dann kommt die Berechnung des Pfades durch Viterbi und vorwärts-rückwärts, ebenfalls 2 verschiedene Algorithmen. Ich verstehe es nicht, ich werde es lesen.

in Python sieht es so aus, in lib hmmlearrn

>>> import numpy as np
>>> from hmmlearn import hmm
>>> np.random.seed(42)
>>>
>>> model = hmm.GaussianHMM(n_components=3, covariance_type="full")
>>> model.startprob_ = np.array([0.6, 0.3, 0.1])
>>> model.transmat_ = np.array([[0.7, 0.2, 0.1],
...                             [0.3, 0.5, 0.2],
...                             [0.3, 0.3, 0.4]])
>>> model.means_ = np.array([[0.0, 0.0], [3.0, -3.0], [5.0, 10.0]])
>>> model.covars_ = np.tile(np.identity(2), (3, 1, 1))
>>> X, Z = model.sample(100)

[Ilya Antipin]

Derzeit arbeitet er an der Entwicklung neuronaler Netze durch Erweiterung der Topologien von http://gekkoquant.com/2016/10/23/evolving-neural-networks-through-augmenting-topologies-part-4-of-4-trading-strategy.

Ich habe es nicht geschafft, das RNeat-Paket über devtools aus der Ferne zu installieren, sondern habe seine Alternative verwendet - remotes (remotes::install_github). Das Skript für MT4 ist fast fertig. Ich habe komplexe Vorverarbeitungstransformationen ausgeschlossen, ich werde versuchen, zunächst Rohdaten zu verwenden. Ich habe die Möglichkeit hinzugefügt, mit einer beliebigen Anzahl von Prädiktoren zu arbeiten. Wenn sich etwas Interessantes ergibt, werde ich Sie bald informieren.

Ich füge ein Beispiel für ein R-Skript für Forex-Daten bei. Das analysierte Symbol ist USDJPY-H1. Ausgangsdaten - letzter bekannter Kurs und 10 RSI-Verzögerungen.

[mytarmailS]

Ilya Antipin:

Ich würde gerne sehen, wie RNeat auf meinem Indikator funktioniert

[Ilya Antipin]

mytarmailS:

Die Verwendung von bekannten Indikatoren und sogar mit einem festen Zeitraum ist eine schlechte Idee, kein Algorithmus wird dort keine Muster finden, weil sie einfach nicht existieren, der Markt hat eine dynamische, fraktale (gegenseitig geschlossene Struktur), wir brauchen einen Indikator, der zumindest ein wenig angemessen ist, um den Markt, die berücksichtigt, die fraktale, auch indirekt

Ich stimme zu. Ich habe gute Ergebnisse mit dem ZigZag-Indikator erzielt. Ich gebe die Preise der letzten Extrema oder deren Ableitungen ein, einschließlich des unvollendeten Preises des letzten Extremums. Der Indikator wird für jede Instanz aus der Trainingsmenge berechnet, d.h. er erzeugt eine Variante ohne Umformung. Dies ist der einzige Indikator, der mehr oder weniger zufriedenstellende Ergebnisse gezeigt hat und gehandelt werden kann.

[mytarmailS]

Ilya Antipin:
Ich stimme zu. Ich habe gute Ergebnisse mit dem ZigZag-Indikator erzielt. Ich gebe die Preise der letzten Extrema oder deren Ableitungen ein, einschließlich des unvollendeten Preises des letzten Extremums. Der Indikator wird für jede Instanz aus der Trainingsmenge berechnet, d.h. er erzeugt eine Variante ohne Umformung. Dies ist der einzige Indikator, der mehr oder weniger zufriedenstellende Ergebnisse gezeigt hat und gehandelt werden kann.

Wenn ich es richtig gemacht habe, habe ich auch fast das Gleiche getan, aber mit einem anderen Algorithmus, ich habe nicht die Richtung, sondern das Drehknie vorhergesagt, ich habe hier geschrieben, wie ich den Preis behandelt habehttps://www.mql5.com/ru/forum/86386/page1476

[Ilya Antipin]

Erste Eindrücke über die Forschung zum RNeat-Paket. Erstens ist die Berechnung des Modells sehr zeitaufwendig und stellt hohe Anforderungen an die Rechenleistung des Computers. Zweitens wird kein perfektes Ergebnis erzielt, wenn Sie das Ziel eingeben. Es scheint einen besonderen Lernmechanismus zu haben, der die Bedeutung der Prädiktoren nicht direkt bewertet.

[mytarmailS]

Ilya Antipin:
Ich kann nicht sagen, ob ich ein perfektes Ergebnis erhalte, wenn ich das Ziel eingebe.

Es ist nicht ganz klar... Können Sie das genauer erläutern?

p.s. Und was war das Ziel? Ich habe mir den Code angesehen, konnte es aber nicht herausfinden, Gewinnmaximierung?

[Ilya Antipin]

mytarmailS:

Wenn ich es richtig, ich habe auch fast das gleiche, aber mit einem anderen Algorithmus, ich vorhergesagt, nicht die Richtung, sondern das Knie einer Umkehrung, schrieb ich hier, wie ich den Preis behandelthttps://www.mql5.com/ru/forum/86386/page1476

Ich kann den Markt für diesen Effekt erklären. An Marktumkehrpunkten (Trendwechsel) kommt es zu einer Veränderung des Gleichgewichts von Angebot und Nachfrage aufgrund der Manifestation stärkerer (fundamentaler) Preisfaktoren. Vielleicht enthält die mathematische Beziehung zwischen verschiedenen solchen Punkten in der Vergangenheit wertvolle Informationen für die technische Vorhersage zukünftiger Punkte.

[mytarmailS]

Ilya Antipin:
Für diesen Effekt gibt es eine marktwirtschaftliche Erklärung. An Marktumkehrpunkten kommt es zu einer Veränderung des Gleichgewichts von Angebot und Nachfrage, die mit dem Auftreten stärkerer (fundamentaler) Preisfaktoren einhergeht. Vielleicht enthält die mathematische Beziehung zwischen verschiedenen vergangenen Punkten wertvolle Informationen für die technische Vorhersage zukünftiger Punkte.

Mir scheint, dass es sogar noch einfacher ist... Wenn wir nur signifikante Preisextrema belassen und alles andere weglassen, außerdem prognostizieren wir nicht die Richtung, sondern nur die Spur des Extremums, so werden die Daten von einer Menge Rauschen befreit und die Freiheitsgrade für das neuronale Netz reduziert, wofür es dankbar ist

[Ilya Antipin]

mytarmailS:

Mir scheint, dass es sogar noch einfacher ist... Wenn wir nur signifikante Preisextrema belassen und alles andere weglassen, und außerdem nicht die Richtung, sondern nur die Spur des Extrems vorhersagen, werden die Daten nicht von viel Rauschen befreit und die Freiheitsgrade für das neuronale Netz reduziert, wofür es dankbar ist

Ja, durch die Verwendung signifikanter Extrema reduzieren wir zweifellos die Dimensionalität der Daten, was sich wiederum positiv auf die Lernergebnisse auswirken wird.