Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 429
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
Ich habe vergessen, das (c) zu schreiben :))
Nein, das tun sie nicht. Im Folgenden finden Sie eine Erklärung (aus einem Artikel, den ich nicht ganz zu Ende lesen kann :(
Einführung
Heute werden beide Ansätze in der Praxis aktiv genutzt. Vergleichende Experimente [ ] zwischen den beiden Ansätzen lassen keinen signifikanten Vorteil des einen gegenüber dem anderen erkennen, aber es gibt dennoch einen. Neuronale Netze mit Pre-Training benötigen viel weniger Beispiele für das Training und Rechenressourcen, erzielen aber fast die gleichen Ergebnisse. Für einige Bereiche ist dies ein sehr wichtiger Vorteil.
Viel Glück!
Nun, das hat sich erledigt :) Ja, besonders schön ist die Geschwindigkeit des Lernens (plus die Qualität der Modelle), ich werde später mit Perimetern aus Ihren Artikeln experimentieren, wenn ich mit der Umsetzung meiner Ideen fertig bin, das Thema ist sehr interessant und profitabel zu Zeiten, wie in meinem bescheidenen Modell gestern, zum Beispiel :) (die Partie ist klein, da sie sich noch in der Testphase befindet)
Bisher überfüttert sie stark und funktioniert nicht auf lange Intervalle ohne Umschulung, aber auf Intervalle von 2-3 Monaten trainiert (passt?) es fast perfekt, und eine anständige Chance, dass es eine Woche nach dem Training funktioniert, ich nur jede Woche neu trainieren. Ehrlich gesagt, habe ich noch nie solche Kurven erhalten (zu Schlusskursen, nicht zu Ticks), bis ich mich mit MO im Tester vertraut gemacht habe. Es funktioniert effizient bei fast allen Währungspaaren und Indizes (Devisen habe ich noch nicht ausprobiert, weil ich wenig Vertragshistorie habe und mich nicht mit dem Kleben abmühen möchte), so dass ich risikoarme Portfolios erstellen kann.
Die Hauptaufgabe besteht nun darin, die Stabilität der Prüfmuster durch Hinzufügen nichtlinearer Zusammenhänge zu erhöhen, was eine nicht triviale, aber bis zu einem gewissen Grad lösbare Aufgabe ist (wie es scheint).
Ein Geiger wird nicht benötigt (c).
Ich werde es später lesen, ich werde es mir merken.
Gut gelöst :) Ja, besonders schön ist die Geschwindigkeit des Lernens (plus die Qualität der Modelle), werde ich später mit Perimetern aus Ihren Artikeln experimentieren, wenn fertig Umsetzung ihrer Ideen, sehr interessantes Thema und gelegentlich profitabel, wie auf meinem bescheidenen Modell gestern, zum Beispiel :) (die Partie ist klein, da sie sich noch in der Testphase befindet)
Bisher überfüttert sie stark und funktioniert nicht auf lange Intervalle ohne Umschulung, aber auf Intervalle von 2-3 Monaten trainiert (passt?) es fast perfekt, und eine anständige Chance, dass es eine Woche nach dem Training funktioniert, ich nur jede Woche neu trainieren. Ehrlich gesagt, habe ich noch nie solche Kurven erhalten (zu Schlusskursen, nicht zu Ticks), bis ich mich mit MO im Tester vertraut gemacht habe. Außerdem funktioniert es bei fast allen Währungspaaren und Indizes (Aktien habe ich noch nicht ausprobiert, weil ich wenig Erfahrung mit Kontrakten habe und mich nicht mit Klebern herumschlagen möchte), d. h. ich kann risikoarme Portfolios erstellen.
Die Hauptaufgabe besteht derzeit darin, die Stabilität von Testmustern durch Hinzufügen nichtlinearer Zusammenhänge zu erhöhen, eine nicht triviale Aufgabe, die aber bis zu einem gewissen Grad lösbar ist (wie ich sehe).
Sie scheinen Reshetovs RNN mit TrendLinearReg in der Realität getestet zu haben - funktioniert es immer noch, oder ist die Idee gescheitert?
Ich bin vor kurzem zu den GARCHs zurückgekehrt, mit denen ich früher vertraut war. Was mich nach mehreren Jahren der Faszination für das maschinelle Lernen sehr überrascht hat, ist die große Anzahl von Veröffentlichungen über die Anwendung von GARCH auf finanzielle Zeitreihen, einschließlich Währungen.
Gibt es etwas Ähnliches für tiefe Netzwerke?
Ich mache keine Regression. Ich verfolge nur, was es in diesem Bereich Neues gibt. Die neueste Entwicklung, die mir gefällt, ist das Prophetenpaket.
Tiefe Netze für die Klassifizierung.
Viel Glück!
Die Optimierung führt oft zu sehr guten Ergebnissen... aber das ist nicht so wichtig.
Sie scheinen Reshetov's RNN mit TrendLinearReg auf dem Real ausgeführt zu haben - funktioniert es noch oder hat sich die Idee als nicht funktionierend herausgestellt?
Habe die Prädiktoren gewechselt, wollte erst werfen... dann denke ich mir was anderes, so eine Kuh braucht sich erst mal). Der Rahmen der MO auf Reshetov blieb, alles andere ist neu gemacht, fügte MLP hinzu - mochte es nicht, es dauert lange zu zählen, jetzt werde ich rand. forrest + ein paar weitere Ideen, die in den Prozess sind... D.h. im Allgemeinen möchte ich ein Komitee oder was würde ein ns erziehen das andere, etwas so originelles immer wollen
Aber der Reg.-Winkel ist für sich genommen gut, sowohl bei der Eingabe als auch bei der Ausgabe, wenn auch bei logarithmischen Diagrammen... das ist ein guter Prädiktor
Habe die Prädiktoren geändert, zuerst wollte ich sie entladen... dann denke ich, nein, ich brauche so eine Kuh erst mal selbst). Ich habe den MO-Rahmen auf Reshetov beibehalten, alles andere überarbeitet, MLP hinzugefügt - mochte es nicht, dauert zu lange zum Berechnen, jetzt werde ich Rand Forest hinzufügen + ein paar weitere Ideen, die im Prozess auftauchen...
Es gibt nicht viele Eingaben auf dem Reshetov-Gitter ... 3-6, wenn Sie die gleiche Menge an die MLP füttern, sollte sie auch schnell zählen.
Aber für MLP gibt es ein Problem mit den Ausgaben... wohingegen die von Reshetov für Wahrscheinlichkeiten auf der Grundlage von Oszillator-Extremen eingerichtet ist, d.h. es reicht aus, den Markt korrekt zu detrendieren, einige Transformationen durchzuführen und ihn als stationäre Reihe zu füttern.
PLUS diese alglibovy mLp jedes Mal anders auf dem gleichen Satz trainiert, 1 Mal lief eine zeigte, das zweite Mal - eine andere, und so in den Zyklus für mehrere Iterationen (5-7) wird unterschiedliche Werte geben, wie man mit diesem ich weiß nicht arbeiten. Deshalb habe ich angefangen, mehr Eingaben zu machen (bis zu 15), und es begann langsam zu lernen. Ich habe Softmax verwendet. Ich habe auch Ensembles ausprobiert - es hat sehr lange gedauert. Und am Ende, von Experimenten in Azure Machine Learning ist es klar, dass RF immer weniger Fehler als fast alle einfachen MO-Modelle, MLP auf der anderen Seite gibt den größten Fehler in der Regel... Vielleicht weiß ich einfach nicht, wie man es kocht, aber es sieht so aus, als ob es tatsächlich schlechter und langsamer ist, was ich hier von San Sanych bestätigt fand
Das heißt, wenn wir aus einfachen Klassifikatoren wählen, dann eindeutig RF, als nächstes kommt DNN und andere letzte nits, RNN und LSTM. Vom Einfachen zum Komplexen :)
Aber ein reg. Winkel ist für sich genommen gut als Ein- und Ausgang, wenn auch auf logarithmischen Graphen... ein guter Prädiktor
Was sind die reg. Winkel und logarithmischen Darstellungen?
Was sind Regressionswinkel und logarithmische Diagramme?
TrendLineregr zeigt den Neigungswinkel der Regressionslinie für eine bestimmte Anzahl von Balken an - es ist ein guter Indikator als Vorhersage und auch als Ziel, ein Ersatz für ein Zickzack. D.h. es entfernt (meiner Meinung nach) tatsächlich die Geräuschkomponente von Zitaten.
Und Logo-Charts werden nicht als reine Charts, sondern als Logarithmus der Preise dargestellt
Und im Allgemeinen die gleichen Garch Figarach und Arima sind die Regressionsanalyse, nichts mehr interessant ist noch erfunden worden, so dass, wenn die Menschen es verwenden, dann sollten sie auch nutzen es eine oder andere Weise.