Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 41
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
Trainieren Sie ein Neuron, das das Gegenteil von dem produziert, was Sie wollen, genau wie Ihres, aber mit Absicht. Aber wozu soll das gut sein? :)
Ich tue es nicht absichtlich, ich habe es nur trainiert und sehe es ))
Das Rezept lautet wie folgt -
1) trainieren zwei Netze getrennt für den Kauf und für den Verkauf, nahm ich das Netzwerk "tiefe neuronale" ist wichtig, weil die Ausgabe eines solchen Netzes ist nicht 01010101, und die Wahrscheinlichkeit von 01010
2) Ich nehme einfach die Ausgänge von zwei Netzen und bilde eine Differenz der kumulierten Summen und erhalte das, was auf dem Bild zu sehen ist...
Im ersten Bild werden unten die Wahrscheinlichkeiten angezeigt (Outputs der beiden Netze, wie sie sind) und oben die kumulierte Differenz (wie sie ist) zusammen mit dem Preis
auf dem zweiten Bild ist dasselbe, und das Vorzeichen der kumulativen Differenz ist zur besseren Übersichtlichkeit umgekehrt (umgekehrt)
=======================================
Wenn dieser Prozess für ein paar Kerzenständer vorwärts vorhergesagt wird, zumindest für eine, ist es ein Gral)) Es ist mir noch nicht gelungen
wartet schon den ganzen Tag auf Kommentare, ist denn niemand interessiert???
Die Frage selbst ist nicht eindeutig.
Passen Sie auf sich auf. Es gibt fast 2 hundert Modelle. Wenn Sie noch nicht damit begonnen haben, sie zu meistern, empfehle ich es. Es handelt sich nicht nur um Modelle, sondern auch um viele andere sehr nützliche Dinge.
Es sagt alles ein paar Schritte voraus, wenn Sie das wollen.
Regressionsmodelle akkumulieren Fehler aus früheren Schritten.
Bei Klassifizierungsmodellen nimmt der Fehler zu, aber nicht aufgrund der Anzahl der Schritte, die vor uns liegen.
Beachten Sie, dass es bei Zeitreihen immer möglich ist, die TF zu vergrößern und um einen Schritt vorherzusagen, was einer Vorhersage um mehrere Schritte bei einer kleineren TF entsprechen würde.
Benötigt wird eine Art Werkzeug, das mit Hilfe einer Reihe von Prädiktoren einige Schritte voraussagen kann.
mytarmailS:
Benötigt wird eine Art Werkzeug, das mit Hilfe einer Reihe von Prädiktoren einige Schritte voraussagen kann.
Überprüfen Sie rminer. Sehr gut organisiertes Paket
Hallo!
Ich habe zwei Fragen an Sie
1) im Hinblick auf rekurrente Netze aus der vorherigen Seite, warf ich das Paket "rnn" es ist wirklich irgendwie seltsam und schlecht konzipiert und wechselte zu "RSNNS" nahm das Netzwerk "Elman" warf die Daten alle gearbeitetIch verstehe nicht, wo und wie man in "rnn" einstellen kann, "wie weit sich das Netz in die Vergangenheit zurückerinnert", wo doch sofort klar war, dass jede Variable in eine Matrix mit einer Zahl umgewandelt wurde. Spalten entsprach der Speichergröße des Netzes, aber ich habe einen solchen Parameter in"RSNNS" nicht gefunden, aber es ist unmöglich, dass er nicht da war, da das Wesen des rekurrenten Netzes genau darin besteht.
2) Worauf sollte ich bei"rminer" achten? Wenn Sie etwas wie "arima" meinen, wird es nicht funktionieren.
Ich habe versucht, eine solche Klassifikator Ziel zu schreiben, um mehrere Schritt-Prognosen zu machen, aber ich scheiterte, die Ergebnisse waren seltsam, vor allem die Qualität fiel (es ist normal, weil die Prognose nicht auf die 5. oder 10. Kerze), Anti-Korrelation war immer noch vorhanden, wenn auch weniger ausgeprägt, aber der Trick ist, dass ich nicht die antizipierendeIch habe den Eindruck, dass die Umkehrungen der Indikatoren die gleichen waren wie die Umkehrungen des Marktes, d.h. ich bekam etwas, das von schlechterer Qualität war, aber ich verstehe nicht, warum das so passiert ist..
Lassen Sie uns ein wenig über die Auswahl qualitativer Merkmale sprechen. meine Gedanken dazu...
Ich übertreibe jetzt, aber es ist ein gutes Beispiel...
Alle gängigen Methoden zur Auswahl von Attributen (auf dem Markt) beschränken sich darauf, 100 Indikatoren in eine Trainingsstichprobe aufzunehmen und verschiedene Methoden unterschiedlichen "Grades" anzuwenden, um beispielsweise 20 Indikatoren auszuwählen, die den Preis am besten beschreiben. Ich denke, es ist grob und primitiv und die Auswahlmethoden haben nichts damit zu tun, lassen Sie mich erklären, warum ...
Machen wir einen Abstecher und überlegen wir uns, wie ein professioneller Trader arbeitet(ich übertreibe immer noch :)), der nur zwei Funktionen hat - die Levels und den "RSI"-Indikator Und es gibt ein Handelssystem, in dem ein Verkaufsgeschäft so klingt - wenn das Niveau durchbrochen wird und der RSI größer als 0,9 ist, dann verkaufen...
Was ist ein Handelssystem? Handelssystem in diesem Fall fungiert als ein Datenfilter, ein Filter, der nicht zulässt, dass der Händler in den Lärm und der Anteil der Lärm in diesem Beispiel mit RSI ist kein Witz 95%, weil RSI Bereich von -1 bis 1 und der Händler braucht nur das, was >0,9 die 5% ...
Daraus folgt, dass, Gott bewahre, 5 % der nützlichen Informationen in jedem Merkmal und die restlichen 95 % Rauschen sind, Rauschen, das nicht gebraucht wird, das das Netzwerk am Lernen hindert, Rauschen, das entfernt werden muss... Sie müssen also nur nützliche Situationen aus jedem Attribut extrahieren, in diesem Beispiel mit RSI ist es von 0,9 bis 1, der ganze Rest ist Unsinn...
Und nun zurück zum Anfang des Beitrags, Sie haben 100 Attribute (Indikatoren), alles, was Sie können (wie cool die Methode auch sein mag) ist, die besten Indikatoren auszuwählen, in dem Bewusstsein, dass jeder Indikator 95% Rauschen hat, was denken Sie, die Qualität der Auswahl dieser Attribute ist nahe Null, was bestätigen Ihre und meine Studien in diesem Bereich ...
Schlussfolgerung: Es ist notwendig, jedes Merkmal zu nehmen und das Nützliche davon zu trennen. Ich habe Ideen, wie man das machen kann, aber bevor ich das sage, würde ich gerne Ihre Gedanken, Ideen und Vorschläge dazu hören