Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 27
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
¡Hola!
Tengo una idea, quiero comprobarla, pero no conozco la herramienta para ponerla en práctica... Necesito un algoritmo que pueda predecir para unos pocos puntos por delante, digamos para 3 o 5 (preferiblemente una red neuronal)
¡Hola!
Tengo una idea, quiero comprobarla, pero no conozco la herramienta para ponerla en práctica... Necesito un algoritmo que sea capaz de predecir para unos pocos puntos por delante, digamos para 3 o 5 (preferiblemente una red neuronal)
Yo sólo he trabajado con clasificaciones antes, así que ni siquiera entiendo cómo debería ser, aconsejar a alguien cómo hacerlo o recomendar un paquete en R
p.d. Gran artículo Alexey
Se trata de paquetes que extrapolan las tendencias existentes, como la previsión. Los diferentes splines son muy interesantes.
Parece bastante sólido.
Entonces, ¿no hay ningún resultado útil?
Cuando ejecuté el algoritmo por primera vez, en una pequeña cantidad de datos iniciales, no hubo ningún resultado positivo, obtuve alrededor del 50% de error tanto con el pca consciente de y como con el pca simple. Ahora tengo un conjunto más completo de datos de mt5 - casi todos los indicadores estándar con todos sus buffers, algunos indicadores se repiten varias veces con diferentes parámetros. He creado Asesores Expertos para algunos indicadores y los he utilizado para optimizar los parámetros de los indicadores para un comercio más rentable. Con estos datos, el pca simple sigue cometiendo un error del 50%, pero con el error de y en el fronttest se reduce notablemente al 40%. Es interesante que el algoritmo "y-aware" simplemente toma los datos en bruto y hace un clasificador que funciona correctamente en 6 de cada 10 casos. Conclusión: se necesitan más datos en bruto.
Pero aquí se acaban todos los puntos buenos. Se necesitan 73 componentes estándar para una precisión del 95%. Las cargas de los predictores en los componentes fluctúan de mayor a menor sin que haya líderes claros. Es decir, no hay ninguna indicación que permita seleccionar determinados predictores. El modelo funciona de alguna manera, pero no está claro qué hacer con él para mejorar los resultados o cómo sacarle utilidad predictiva.
La importancia del componente:
cargas de los predictores para los 5 primeros componentes:
ARIMA
Pero arima toma decisiones por series temporales y yo necesito que el modelo tome decisiones a partir de mi conjunto de datos, es decir, matriz con predicados y salida de una previsión para varias barras por delante
Nadie le impedirá entrenar una red neuronal con varias neuronas de salida, cada una para un horizonte de planificación diferente. Al mismo tiempo, será interesante observar los resultados.
Cuando ejecuté el algoritmo por primera vez, en una pequeña cantidad de datos iniciales, no hubo ningún resultado positivo, obtuve alrededor del 50% de error tanto con el pca consciente de y como con el pca simple. Ahora tengo un conjunto más completo de datos de mt5 - casi todos los indicadores estándar con todos sus buffers, algunos indicadores se repiten varias veces con diferentes parámetros. He creado Asesores Expertos para algunos indicadores y los he utilizado para optimizar los parámetros de los indicadores para un comercio más rentable. Con estos datos, el pca simple sigue cometiendo un error del 50%, pero con el error de y en el fronttest se reduce notablemente al 40%. Es interesante que el algoritmo "y-aware" simplemente toma los datos en bruto y hace un clasificador que funciona correctamente en 6 de cada 10 casos. Conclusión: se necesitan más datos en bruto.
Pero aquí se acaban todos los puntos buenos. Se necesitan 73 componentes estándar para una precisión del 95%. Las cargas de los predictores en los componentes fluctúan de mayor a menor sin que haya líderes claros. Es decir, no hay ninguna indicación que permita seleccionar determinados predictores. El modelo funciona de alguna manera, pero no está claro qué hacer con él para mejorar los resultados o cómo sacarle utilidad predictiva.
importancia de los componentes:
Cargas de los predictores en los 5 primeros componentes:
ya lo hizo, la red neuronal no aprende en un horizonte mayor con el objetivo que le puse
Es bueno que no haya aprendido, porque estás aprendiendo con el ruido. Pero si lo hiciera, sería un grial y estaría en el real....
Ocupado aquí tratando de eliminar el ruido. Por eso tomamos tantos predictores con la esperanza de que algo quede.