Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2811
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
Вы, в частности, утверждали, что модель на выборке нельзя будет обучить - Вы ошиблись.
Bin ich der Einzige, für den die Worte "Algo-Trading" und "Alkohol-Trading" fast identisch klingen?
Das macht einen schon stutzig
Datum einstellen
die ersten 10 Zeilen sind Preisinformationen, falls Sie neue Merkmale erstellen wollen, andernfalls sollten sie aus dem Training entfernt werden.
letzte Zeile - Ziel
Teilen Sie die Auswahl für Training und Test in zwei Hälften.
auf Forest ohne Tuning erhalte ich auf neue Daten
Confusion Matrix and Statistics Reference Prediction -1 0 1 -1 2428 453 23 0 597 3295 696 1 14 448 2046 Overall Statistics Accuracy : 0.7769 95% CI : (0.7686, 0.785) No Information Rate : 0.4196 P-Value [Acc > NIR] : < 2.2e-16 Kappa : 0.6567 Mcnemar's Test P-Value : 2.565e-16 Statistics by Class: Class: -1 Class: 0 Class: 1 Sensitivity 0.7989 0.7853 0.7400 Specificity 0.9316 0.7772 0.9361 Pos Pred Value 0.8361 0.7182 0.8158 Neg Pred Value 0.9139 0.8335 0.9040 Prevalence 0.3039 0.4196 0.2765 Detection Rate 0.2428 0.3295 0.2046 Detection Prevalence 0.2904 0.4588 0.2508 Balanced Accuracy 0.8653 0.7812 0.8381auf HGbusta mit neuen Chips erhalte ich Akurashi 0.83.
Ich frage mich, ob es möglich ist, 0,9 Akurasi zu erreichen?
?? Wo habe ich das gesagt?
Hier.
Hier.
Für mich geht es um eine bestimmte Stichprobe, die nicht trainiert wurde, ohne die Daten zu manipulieren.
Die Korrelationsfilterung ist eine einfache Möglichkeit, das Training voranzutreiben.Datum festgelegt
Ich habe es versucht, es funktioniert nicht, es geht wieder um die Zeichen.
Wenn Sie daran interessiert sind, werfe ich einen Multicurrency-Tester Konstruktor mit Spread, primitivem Lot und einem Hinweis auf das Öffnen und Schließen von Positionen mit Fractional Lot.
Für den Tester zu arbeiten, müssen Sie einen Datenrahmen mit ['open', 'spread] Spalten vorzubereiten, und auch werfen ein numpy Array des Formats x (n,2) mit Prognosen der Kauf / Verkauf Wahrscheinlichkeiten für jeden neuen bar in Signal. Der Tester arbeitet mit einer Schleife. Im Folgenden finden Sie ein Beispiel für die Initialisierung der Verwendung des Testers
Handelslogik und Lot können in der transcript_sig-Methode des Symbol-Objekts angepasst werden
Die Ergebnisse des Tests liegen im Wörterbuch trade_history_data für den gesamten Test und trade_symbol_data für jedes Symbol.
Es gibt dort Listen, falls jemand etwas optimieren oder ändern möchte - willkommen).
Da muss man sich schon ein paar lustige Belohnungen einfallen lassen, um die Muster zu erfassen. Andernfalls wird es zum Pseudo-Optimum eines beliebigen ph-i schleifen.
Es geht um die q-Funktion und die Kritiker, ein interessantes Thema....
es wurde hier schon vor mehr als einem Jahr diskutiert, als ich RL-Algorithmen schrieb.
Ich möchte noch nicht zurückkommen, und ich habe bereits eine gewisse Mischung aus RL + überwacht, ich bin schon vor langer Zeit auf Autorenschemata umgestiegen.