Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 192

 
Yury Reshetov:

El mundo entero ha estado esperando este momento con la respiración contenida.

¡Y ahora por fin ha sucedido!

Se ha publicado la versión 12 de jPrediction, que genera código de clasificadores ternarios entrenados en MQL. Los usuarios de MetaTrader ya no necesitan portar los códigos del clasificador ternario de Java a MQL. Todo el código de MQL se almacena ahora en archivos con extensión mqh.

(Aplausos y gritos de "¡Hurra!")

Pero eso no es todo. jPrediction 12 es ahora un 12% más rápido que la versión anterior.

(Aplausos fuertes mientras se lanzan bonetes)

Numerosos usuarios de jPrediction pueden descargar y utilizar la versión 12 de forma gratuita descargándola de mi sitio web (enlace en mi perfil, primer mensaje en mi página de inicio).

(Golpeteo de teclas y movimiento de los indicadores de descarga en los monitores)

Las felicitaciones se aceptan tanto verbalmente como por escrito, también puedes recibir regalos y transferencias de dinero a través de WebMoney.

Me da vergüenza preguntarte por qué versión del MKUL. 4 o 5...
 
Mihail Marchukajtes:
Me da vergüenza preguntar, ¿para qué versión de MKUL? 4 o 5...
Lo he comprobado en la versión 5. Pero no hay OOP y otras características típicas sólo para la versión 5. Así que parece que debería haber compatibilidad con el 4? IMHO por supuesto, porque no he comprobado en el 4.
 
Yury Reshetov:
Lo he comprobado en la 5ª versión. Pero no hay OOP y otras características típicas sólo del 5. Así que parece que debería haber compatibilidad con la 4ª, ¿no? Por supuesto, no lo creo, ya que no lo comprobé en el 4.

Estupendo, acabo de comprobar el código que genera Prediction con el código que he escrito yo, el resultado es el mismo. Sólo me preocupaba si tenía un error, como recuerdas con el 1d, ahora lo he comprobado, el resultado es idéntico. A partir de hoy la selección de señales para comprar ha sido tan mala que he decidido dejar la de ayer y no he perdido, y he optimizado el lanzamiento de 12 con mejores resultados pero tengo menos entradas... sólo tengo tres. Así que, en general, todo está bien, pero habrá que ver más detalles mañana. Así que mañana informaré más específicamente.... En fin, el óleo de hoy... juzga por ti mismo.....Disculpa por quejarte. Y permítanme explicar de nuevo las señales que la red definió como "no sé" (puntos sin flechas). Lo determinamos por el hecho. Pues hoy es cierto. Así que cuando la red dice "no sé" queremos decir que es verdad...

 
Yury Reshetov: Se ha publicado la versión 12 de jPrediction...
Su ejemplo para los demás es una ciencia;
Pero, Dios mío, qué aburrimiento
Sentarse con un enfermo día y noche,
¡Sin un paso fuera del camino!
Qué poca insidia
Para divertir a un hombre medio muerto,
Para ajustar sus almohadas,
Para llevarle la medicina tristemente,
Y suspirar y pensar para sí mismo:
Cuando el diablo te lleve!)))
 
Hoy es el mismo día que ayer, así que he decidido no volver a entrenar a los modelos, sino comerciar con ellos. Así que todavía no puedo evaluar completamente el trabajo de la 12ª edición. Pero cuando llegue el momento, informaré :-)
 

he encontrado un paquete que permite profundizar en los algoritmos del MdD, yo mismo no lo entiendo del todo, pero algo me dice que es un buen paquete, quizás a alguien le interese...

ч

partykit

 
.
N+1: научные статьи, новости, открытия
  • nplus1.ru
Чуть больше, чем наука
 

Ya está disponible la 14ª versión de jPrediction.

La nueva versión cuenta con un algoritmo mejorado para identificar y eliminar los predictores insignificantes de los modelos

Puede descargarjPrediction 14 de forma gratuita y utilizarlo para tareas de clasificación descargándolo de mi sitio web (enlace en mi perfil, en la entrada superior de mi página web).

 

Los ejemplos (indicadores) son sólo ilustrativos No recomiendo el uso de indicadores

Imaginemos por un momento la siguiente situación: tenemos 5 predictores y el precio, necesitamos predecir el movimiento del precio con alta probabilidad( digamos, más del 70%)) y sabemos de antemano que sólo hay un patrón en estos predictores que puede ser utilizado para predecir el mercado con tal precisión. Esentonces cuando el RSI y el estocástico hacen un mini zigzag a la baja en la zona de ~50


sq

Por cierto fíjate que el patrón se encuentra por así decirlo en dos planos de visión, el digital (patrón en el área ~50 ) y el figurativo (zigzag - imagen), por lo que al buscar patrones tiene sentido considerar dichos planos...

Eso es todo, no hay más patrones de trabajo en esos predictores, todo lo demás es sólo ruido, esos tres primeros indicadores son originalmente ruido, y en elRSI y elestocástico sólo hay un patrón, todo lo demás en elRSI y elestocástico es también ruido total...

Ahora pensemos en cómo podemos buscar esos patrones en los datos... ¿Pueden hacerlo los modus operandi convencionales?

La respuesta es no, ¿por qué?

Dado que el objetivo de la MO es predecir todos los movimientos, es un zigzag o un color de trazo o... velas o dirección o... o ...todos los objetivos obligan a las MOs a predecir todos los movimientos del precio , y esto es imposible en los predictores de ruido por debajo del 99%...

Voya contar una pequeña historia con moraleja, he creado una muestra sintética de 20 predictores, 4 predictores interactuando juntos, explican completamente el objetivo, los otros 16 predictores eran sólo ruido aleatorio, después de entrenar en los nuevos datos elmodelo"OOS" adivinó todos los nuevos valores, mostró error 0%.... La moraleja de esta fábula es: si hay predictores en los datos que puedan explicar completamente el objetivo, tanto el MI comoel OOS se comportarán con normalidad... Nuestros resultados muestran lo contrario, en aquellas muestras que introducimos en el MI hay más de un 5% de información útil que puede explicar el 5% del objetivo, y nosotros queremos el 100% de ella, ¿conoces la utopía del enfoque? Por eso las MOs se sobreentrenan, las hacemos nosotros mismos queriendo predecir todo al 100%.

Volviendo al punto principal, ¿cómo buscamos estos patrones de trabajo? ¿Cómo encontramos esa "aguja" de la solidez en la "pila " de datos?

Sugiero que para deshacerse de la MO en principio, basta con romper cada predictor en pequeños trozos de situaciones similares (patrones) y probando todas las combinaciones posibles y comparando con el objetivo encontraremos lo que buscamos. .. Ahora bien, ¿cómo romper los predictores? con qué?

La respuesta es sencilla, aunque no me di cuenta enseguida, sólo tenemos que agrupar estúpidamente cada predictor en, digamos, 30 clusters.

fd

Simplemente dividimos cada predictor a esos clusters y probamos diferentes combinaciones entre ellos podemos encontrar algunos patrones que funcionan, como en la imagen - cuando el estocástico tiene el cluster 1 y el RSI tiene el cluster 2, habrá crecimiento...

Ahora, la esencia de cómo buscar patrones de trabajo

Esta es nuestra muestra hipotética, elobjetivo.La etiqueta es el objetivo, que digamos significa crecimiento/descenso

dat cluster1 cluster2 cluster3 cluster4 cluster5 target.       
                                                
                                                  
                                                   
                                                
                                                
                                                 
                                                 
                                                 
                                                  
                                                 
                                                 
                                                 
                                                  
                                                
                                                 
                                                
                                               
                                                 
                                                 
                                                
                                                 etiqueta1        24        5       18       21       16            1
2         2       15       12        7       22            1
3        13       16       29       24            0
4        23       28       22       10        4            1
5         6       12       20       25       11            0xml-ph-00
Tabla 1

Ejemplo de cómo buscar el crecimiento

buscamos líneas que se repitan al menos 10 veces en todo el muestreo y en cada uno de los grupos idénticos encontrados que se repitieron, el número de "1" en target.label debe ser superior al 70% de "0".


cluster1 cluster2 cluster3 cluster4 cluster5 target.label                   
                                                 
                                                 
                                                 
                                                 
                                                1        24        5       18       21       16            1
2        24        5       18       21       16            1
3        24        5       18       21       16            0
4        24        5       18       21       16            1
5        24        5       18       21xml-ph-0032@dee
 Talb. 2

aquí están las líneas idénticas encontradas con más unos que ceros...

Así es esencialmente como encontramos la combinación de grupos que es un patrón de trabajo...

También es necesario no sólo probar todas las combinaciones posibles de números de cluster en cada predictor, sino también las combinaciones de clusters en sí mismas que toman sólo 1 y 4 clusters o 1, 3, 5 clusters, etc.

Ventajas del método sobre la MO habitual, o más bien ni siquiera ventajas, es lo que falta en la MO, pero el sentido común dice que debería estar...

1)El método sólo explica la parte del objetivo que realmente puede explicar y no intenta explicar todo el 100% del objetivo como hacen todos los PM, incluido Reshetova

2)El método es profundo - no sólo selecciona los mejores predictores sino que selecciona las mejores situaciones dentro de los propios predictores, es una forma de análisis mucho más profunda que otros RI.

3) Debido a los puntos 1) y 2) el método encuentra automáticamente los indicadores que
separar perfectamente el plano de características

qe

¡4) hay alguna barrera estadística justa cuando encontramos un grupo de situaciones idénticas (ver tabla 2) debe haber 10 mínimo (es posible regular), este mínimo da la esperanza de que el resultado estadístico en el objetivo será fiable, en MOs convencionales sólo puede haber dos situaciones similares que en el objetivo terminó en, digamos, la caída y todo! MO ya lo considerará como un patrón corto, con sólo dos observaciones, entender lo espeluznante de la situación ?

5) Existe una barrera de probabilidad justa , cuando encontramos un grupo de situaciones idénticas, ver Tabla 2, el número de unos en este grupo (por un largo) debe ser mayor en un 70% que los ceros, esto también da la esperanza de que la probabilidad es fuerte y no al azar... De nuevo no lo tenemos en el MO normal donde el 1% de los ceros sería un patrón de anhelo, también es espeluznante, ¿no?

6) El algoritmo trabaja con correlaciones en los predictores y no todos los RI lo hacen.

7) Es fácil visualizar o programar el patrón encontrado, simplemente se puede entender

interpretar el patrón, no todos los RI pueden hacerlo

Los ejemplos (indicadores) son sólo ilustrativos, recomiendo encarecidamente no utilizar indicadores

 
mytarmailS:

No sé muy bien a qué se refiere con "agrupación". Normalmente no se agrupa un predictor en particular, sino que se toman una docena de ellos y se encuentran áreas en el espacio donde se agrupan estos puntos. Por ejemplo, en la imagen de abajo, teniendo dos predictores, la agrupación en 2 clusters nos dará clusters azules y rojos.

¿Tal vez se refiera a los patrones? Patrón verde: el precio baja y luego sube. Amarillo: el precio sube. Rojo: arriba->abajo. ¿Lo tienes?