Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 545
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
insbesondere bei der mehrdimensionalen Clusterbildung können wir versuchen, Vektoren mit Merkmalen und Vektoren mit einer Verzögerung von, sagen wir, Inkrementen zu füttern..., um sie in Gruppen einzuteilen - welche Merkmale entsprechen welchen Inkrementen in der Zukunft
und dann auf diese Menge für das Training von NS anwenden, z.B. ... d.h. wie Data Mining
ja, genau vor der Ausbildung ... oder als separate Sache für TS
Übrigens, in vielen Python-Paketen (auch in R sollte es einige geben) gibt es neben batch_size noch so etwas wie time_steps, es wird nur in der Zeitreihenanalyse verwendet. Das heißt, eine Matrix der Länge time_steps wird unmittelbar in die Eingabe eingespeist, die in den Tensoren des Modells berücksichtigt wird.
Es mag mich überraschen, dass ich an diese Art des Handels nicht gewöhnt bin:
Die Märkte sind miteinander verbunden, so dass das Kapital innerhalb eines Systems fließt. Wenn man also über ein gutes, tiefes Modell und Rechenressourcen verfügt, können diese Bewegungen der Geldmassen natürlich erfasst werden.
insbesondere bei der mehrdimensionalen Clusterbildung können wir versuchen, Vektoren mit Merkmalen und Vektoren mit einer Verzögerung von, sagen wir, Inkrementen zu füttern..., um sie in Gruppen einzuteilen - welche Merkmale entsprechen welchen Inkrementen in der Zukunft
und dann auf diesen Satz für die Ausbildung NS, zum Beispiel ... dh wie Datamining gelten
ja, genau vor der Ausbildung ... oder als separate Sache für TS
Und was das Data Mining angeht, so gefiel mir die Idee von @Mihail Marchukajtes über Optionen und Volatilität smile. Allerdings gab es ein Problem mit dem Parser.
Bisher habe ich eine Art unbekannte Mischung aus überoptimiertem autoregressivem Modell + adaptiven Elementen... unbekanntes Zeug, aber Spaß, ich gebe alles ein, was ich lerne :)
Es funktioniert irgendwie, aber nicht immer.
Wenn mir die Ideen ausgehen, versuche ich es mit einer Intermarket-Analyse oder mit externen Informationen wie Optionen. Wenn ich etwas Neues gelernt habe, funktioniert das, aber nicht immer, wenn mir die Ideen ausgehen.
Sie haben das Problem gefunden, wenn Sie die Spanne berücksichtigen wollen. Und Sie brauchen den Spread, wenn Sie etwas mit Pipsing machen.
Beim Training werden die Daten also über CopySpread aus der Historie entladen, und es gibt die minimale Streuung auf dem Balken. Und weil die MOE führt die Pobar-Analyse, dann richtig Konto der Spread, ist es in dem Moment, wenn die Berechnungen vorgenommen werden, dh Open, Close, High oder Low (je nachdem, was Sie wollen, um diesen Spread hinzufügen) erforderlich. Ich arbeite zum Beispiel mit offenen Preisen. Und natürlich ist der minimale Spread in einer Bar fast nie gleich dem Spread zum Zeitpunkt der Bar-Eröffnung. Infolgedessen kann der TP oder SL um 10-20 Punkte von dem abweichen, der in der Realität gesetzt wird. D.h. die Rentabilität des Systems wird ganz anders aussehen, als das MO-Modell annimmt.
Ein Training mit minimalen Spreizungen an der Stange ist daher in der Realität nicht reproduzierbar.
D.h. wir haben ein Problem an 2 Stellen:
1 - in der Geschichte, aus der wir lernen (Spreads sind unterschiedlich).
2 - zum Zeitpunkt des Geschäftsabschlusses (wenn die Entscheidung zum Zeitpunkt der Eröffnung einer Bar getroffen wird). Unterschiedliche Spreads ergeben unterschiedliche TP und SL.Diese Besonderheit fiel mir auf, als ich die Ergebnisse des trainierten Modells mit offenen Preisen und echten Ticks verglich. Der Unterschied ist sehr groß. D.h. im realen Handel wird der Unterschied ebenfalls groß sein.
Entweder man verzichtet auf die Verwendung von Spreads (und schließt damit die Möglichkeit aus, Scalping im Rahmen der Möglichkeiten eines lernfähigen Systems zu nutzen), oder man sammelt Matrizen für das Training zu echten Ticks und testet sie dann zu echten Ticks - das dauert viel länger als das Testen von Eröffnungskursen. Um den Prozess zu beschleunigen, können wir alternativ ein benutzerdefiniertes Symbol erstellen, das echte Ticks durchläuft und die erforderlichen Spreads sammelt.
Ich betrachte die bisherigen MO-Modelle: Das Modell gibt die Entscheidung vor, einzusteigen oder nicht, und der Rest ist eine Frage des Geldmanagements und der Handelsstrategie.
Kurzum: Einstiegspunkte, Gewinnquoten, Pips-Zählung sind nicht alles für ein einfaches Modell.Insbesondere neuronale Netze lernen gut aus der Candlestick-Historie.
Wenn wir die Auswahl der Einstiegs- und Ausstiegspunkte oder andere Details auf den MetaTrader 2 übertragen, würde ich dies mit dem zweiten Modell tun. Oder sie verkomplizieren das Modell. In diesem Fall wird nur Deep Learning mit parallelen Tensoren effektiv funktionieren.
Ich betrachte die bisherigen MO-Modelle: Das Modell gibt die Entscheidung vor, einzusteigen oder nicht, alles andere ist eine Frage des Geldmanagements und der Handelsstrategie.
Kurzum: Einstiegspunkte, Gewinnquoten, Pip-Counting - alles ist nicht für ein einfaches Modell.Außerdem lernen neuronale Netze gut aus der Candlestick-Historie.
Wenn wir die Auswahl der Einstiegs- und Ausstiegspunkte oder andere Details auf den MetaTrader 2 übertragen, würde ich dies mit dem zweiten Modell tun. In diesem Fall ist nur Deep Learning mit parallelen Tensoren effektiv.
Haben Sie den Propheten von Facebook schon ausprobiert?
Aus irgendeinem Grund, meine liba hartnäckig weigert sich zu installieren, setzen Sie anaconda, Python ... es hängt auf der Installationsphase und das ist es. mein Freund liba funktioniert
Nun, ein weiterer interessanter Fall
http://pythondata.com/stock-market-forecasting-with-prophet/
Haben Sie den Propheten von Facebook schon ausprobiert?
Aus irgendeinem Grund, meine liba hartnäckig weigert sich zu installieren, setzen Sie anaconda, Python ... es hängt auf der Installationsphase und das ist es. mein Freund liba funktioniert
Nun, ein weiterer interessanter Fall
http://pythondata.com/stock-market-forecasting-with-prophet/
Ich habe diese Artikel gelesen, und um ehrlich zu sein, bin ich von Dr. Browns Ansatz nicht beeindruckt.
Die Bibliothek hingegen ist interessant. Ich bin sicher, dass es interessant sein wird, sich die aktuellen Modelle anzusehen.
Für jetzt werde ich mit Keras bleiben. Vor allem das Training mit Reinforcement ist in Verbindung mit Keras-RL einfach zu implementieren.
Hinweis zur Installation: Wenn Sie Anaconda verwenden, sollten die Pakete über "conda" statt über "pip" installiert werden.
Aus irgendeinem Grund weigert sich mein liba hartnäckig, zu installieren...
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
Weinen Sie nicht)))) für ein "fortgeschrittenes" Spiel für vr.
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
etwas Interessantes... für Python kann ich nicht finden
ich habe schon eine Menge Zeug angehäuft, es ist Zeit, einen neuen Bot zu bauen :)
Hinweis zur Installation: Wenn Sie Anaconda verwenden, sollten die Pakete über "conda" statt über "pip" installiert werden.
Ja, ich tat es über Condu und tat es über Pip in nacktem Python... Ich habe einen Fehler im System selbst, es kann nicht bauen und kompilieren, was ich heruntergeladen habe... vielleicht muss ich es von Hand neu herunterladen
Das ist kein Grund zur Beunruhigung.