Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2590
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
Vorhin hatten Sie die Idee, Standardmetriken mit benutzerdefinierten Metriken zu kombinieren, was ich so verstanden habe, dass die Modelle anhand von Standardmetriken trainiert und anhand von benutzerdefinierten Metriken ausgewählt werden.
Ja, die kombinierten Kriterien sind in der Tat besser
aber es gibt so genannte Bewertungsmetriken wie roc oder assgasu, die das Busfahren unterbinden, obwohl es durch Minimierung des Logloss trainiert wird. Dann haben wir benutzerdefinierte Metriken.
Dann können Sie Modelle in der MT5-Optimierer für die Feinabstimmung der Parameter der Stop-Loss, und viel mehr undankbar Aufregung :)
Im Parameterraum des Modells? Sie hat eine große Dimensionalität. Dies ist nur bei sehr einfachen Modellen mit einer geringen Anzahl von Prädiktoren möglich.
Es ist nicht ganz klar, wie es möglich ist, eine Oberfläche in einem Raum mit großer Dimensionalität zu erstellen. Wir haben einfach sehr wenige Punkte im Vergleich zu dieser Dimensionalität. Es sei denn, es handelt sich um Visualisierungsmethoden wie PCA usw., aber der Punkt ist nicht klar.
Dann können Sie die Modelle auch im MT5-Optimierer laufen lassen, um die Stop-Loss-Parameter usw. anzupassen.
Womit sollten Sie es tun? Oder geht es um die in MQL5 geschriebenen Modelle?
Womit machen Sie das? Oder handelt es sich um Modelle, die in MQL5 geschrieben wurden?
Oder übertragen, siehe Artikel über catboost auf dieser Website (Suche). Meine oder Alexeys.
Hm, ich habe nicht ganz verstanden, wie Python auf MQL5 portiert wurde, aber ich habe herausgefunden, dass man anscheinend mit einer Funktion vonhttps://www.mql5.com/ru/articles/8642 catbust-Modelle aus mql5-Code ziehen kann. Ich verwende meist XGBoost, aber auch Catbust ist möglich). Ich stimme zu, was neuronale Netze und Tabellendaten betrifft. Soweit ich das verstehe, kann ich mit dem Code aus dem Artikel Catbust-Modelle verwenden, aber andere Bibliotheken können das nicht. Nun, das ist auch gut so. Jetzt bin ich mit Ansatz, wo ich nicht in der Wahl der Python-Bibliotheken begrenzt - ich bin Ziehen Modelle aus mql5 Code durch API in Python. In diesem Fall bin ich nicht durch Bibliotheken eingeschränkt, aber es ist langsamer, in der Variante aus dem Artikel - durch Bibliotheken eingeschränkt, aber anscheinend ist Ordnung/Ordnung schneller.
Ja, genau so sehe ich das... Rekonstruieren Sie den OP und visualisieren Sie ihn dann über PCA...
Um ehrlich zu sein, macht das nicht viel Sinn. Eine kleindimensionale Projektion kann im Prinzip nicht alles darstellen, was im mehrdimensionalen Fall möglich ist. Extrema können zum Beispiel Sattelpunkte sein - ein Maximum in einigen Variablen und ein Minimum in anderen. Und wenn die Oberfläche nicht glatt ist, kann dort alles passieren.
Theoretisch könnte es etwas sinnvoller sein, PLS anstelle von PCA zu verwenden.Um ehrlich zu sein, macht das nicht viel Sinn. Eine niedrigdimensionale Projektion kann im Prinzip nicht alles darstellen, was im mehrdimensionalen Fall möglich ist. Extrema können zum Beispiel Sattelpunkte sein - ein Maximum in einigen Variablen und ein Minimum in anderen. Und wenn sich herausstellt, dass die Oberfläche nicht glatt ist, kann dort alles Mögliche sein.
Theoretisch könnte es etwas sinnvoller sein, PLS anstelle von PCA zu verwenden.Vielleicht macht die derzeitige Umsetzung wenig Sinn, aber die Essenz dessen, worum es geht, ist vielleicht wichtiger als dieser ganze Zweig
Hm, ich habe nicht ganz verstanden, wie Python auf MQL5 übertragen wurde, aber ich habe verstanden, dass man anscheinend mit der Funktion vonhttps://www.mql5.com/ru/articles/8642 Catbust-Modelle aus MQL5-Code ziehen kann. Ich verwende meist XGBoost, aber auch Catbust ist möglich). Ich stimme zu, was neuronale Netze und Tabellendaten betrifft. Soweit ich das verstehe, kann ich mit dem Code aus dem Artikel Catbust-Modelle verwenden, aber andere Bibliotheken können das nicht. Nun, das ist auch gut so. Jetzt verwende ich einen Ansatz, bei dem ich in der Wahl der Python-Bibliotheken nicht eingeschränkt bin - ich ziehe Modelle aus mql5-Code über die API in Python. In diesem Fall nicht durch Bibliotheken begrenzt, aber langsamer, in der Variante aus dem Artikel - durch Bibliotheken begrenzt, aber anscheinend schneller bestellen/ordnen.
Die Version aus dem Artikel ist bereits final, um mit Python trainierte Modelle in MT5 ohne Schichten anzuwenden. Es speichert Baumsplits in C++ aus dem Python-Programm und übersetzt sie dann in mql-Code, plus Klassenberechnungsfunktion.
Toll, das muss ich auch mal ausprobieren.
Toll, das muss ich auch mal ausprobieren.