Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 337
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
¿Y el Cazador del Caos? Dame un enlace específico.
También es interesante.
Nadie va a pasar meses desarrollando una estrategia para luego ir a presumir de ella en una cuenta demo. Estas cosas se negocian en el real, y el historial de transacciones se oculta a todo el mundo. Incluso he leído en el foro cómo la gente opera a propósito en dos brokers, turnándose para perder en uno y compensar las pérdidas en el otro, de manera que ni siquiera el broker sabe qué operaciones se hicieron con la estrategia y cuáles fueron falsas.
Hay resultados. A veces, las buenas combinaciones de predictores y el modelo aportan beneficios durante un par de meses, más a menudo - menos. Pero son sustituidos por otros.
Mi opinión personal - neuronas, bosques, regresiones - todo esto es demasiado débil para el forex. La razón es que el comportamiento de los precios cambia todo el tiempo, las reglas que son rentables hoy pueden no serlo hace una semana. Y el enfoque estándar -tomar los indicadores y el precio durante un par de meses y entrenar la neurona- significa que debe encontrar las mismas reglas de comportamiento del precio para los dos meses. Y no hay tales reglas y nadie sabe lo que encontrará, pero se equivocará el 99% de las veces. A veces el modelo puede tener suerte y caer en este 1% pero está demasiado lejos del grial y tales Asesores Expertos suelen operar bien hasta el primer stop loss y luego pueden ser desechados.
Actualmente estoy estudiando los modelos de reconocimiento de patrones que observan el comportamiento de los precios en la historia después de patrones similares, y el comercio con tales estadísticas.
No he visto un paquete en R que haga todo lo que necesito, tengo un modelo montado a destajo a partir de otros, más mis propias motos. Lo más cercano que he visto a una descripción del modelo está en otro hilo, yo aconsejaría empezar a construir tu grial con esto (cita abajo). En el proceso surgirán nuevos problemas, tendrás que pensar y experimentar sobre ellos.
2 meses no son suficientes, ya que no hay forma de saber con seguridad cuándo nos visitará Kolyan.
Buena suerte a todos.
Si no me equivoco, la RNN sería extremadamente difícil de implementar en MT5, y para obtener buenos resultados hay que comprar o desarrollar una propia, con enormes insumos de trabajo.
Y si en la MLP, salvo la información sobre el precio, los indicadores de la barra actual, transmitimos toda la misma información de 10-30 barras anteriores, será una especie de memoria. Una parte de las neuronas procesará el estado actual, y otra parte procesará la situación en el pasado más cercano.
De todos modos, no funcionará como debería, hay principios de funcionamiento bastante diferentes... El MLP simplemente clasificaría los predictores en grupos de compra/venta, si puede, y si no puede, volverá a producir papilla en la salida. Es decir, puedes utilizar Random Forest en lugar de MLP, será lo mismo y no tendrás que preocuparte por ello.
En OpenCL, no si no eres perezoso ))
OpenCL parece ser capaz de leer sólo en su propia máquina, no en la red. Me temo que el 1er PC no será suficiente.
Estoy mirando hacia las tramas, y sobreescribiendo ALGLIB con guardar los datos de cada pasada en un archivo, entonces por ejemplo cada milésima pasada (o al final del ciclo de entrenamiento-época) se lee este archivo y se da permiso a los agentes (vía archivo) para calcular la siguiente época. Aunque ya veo un problema - ¿podrán los agentes remotos leer el archivo-permiso....? hay que averiguarlo. Creo que no((.
Sólo la variante más simple como https://www.mql5.com/ru/articles/497 podrá separar los cálculos, pero es demasiado simple, de una sola capa, y no está claro cómo entrenarla con sus propios comandos.
Estoy mirando hacia las tramas, y reescribiendo ALGLIB con guardar los datos de cada pasada en un archivo, entonces por ejemplo cada milésima pasada (o al final del ciclo de entrenamiento-epoca) se lee este archivo y se da permiso a los agentes (a través del archivo) para calcular la siguiente época. Aunque ya veo un problema - si los agentes remotos son capaces de leer el archivo-permiso.... tendremos que resolverlo.
Los cálculos sólo pueden distribuirse para la versión más sencilla, como https://www.mql5.com/ru/articles/497, pero es demasiado simple, de una sola capa, y no está claro cómo enseñarlo por sus propios comandos.
Crea unas cuantas neuronas de ese tipo, y añade pesos extra a las incursiones para las conexiones entre neuronas (igual que para los pesos entre la capa de entrada y la neurona), sólo que habrá muchas incursiones. Por otro lado, no necesitarás un oppenzl, se calculará rápidamente en la nube
es decir, desde la primera neurona habrá 5 conexiones a 5 neuronas en la segunda capa, y desde ellas 5 conexiones más a la salida, de alguna manera
y se entrena en el optimizador mediante la selección de pesos y luego la mejor ejecución del optimizador para elegir
Exactamente como lo imaginaba )
Sólo que me temo que no serán 5 neuronas, sino al menos 500 (si se sustituyen los datos de varios bares, como analogía de la memoria).
¿Y qué pasa con el aprendizaje en comandos manuales o en zigzag? ¿No hay forma de atornillarlo?
Exactamente como lo imaginaba )
Sólo que me temo que no serán 5 neuronas, sino al menos 500 (si se sustituyen los datos de varios bares, como analogía de la memoria).
¿Y qué pasa con el aprendizaje de los comandos de ajuste manual o de zigzag? ¿No hay manera de atornillarlo?
Por qué, sólo en la salida se dará 0 o 1, dependiendo de si el zigzag fue ascendente o descendente, es decir, la entrada se da la historia desplazada hacia atrás por n barras, y la salida - si fue ascendente o descendente
Por qué, simplemente se alimenta con 0 o 1, dependiendo de si el zigzag subió o bajó, es decir, la entrada es un desplazamiento hacia atrás de n barras de la historia, y la salida es un pronóstico - si subió o bajó
Si utilizamos salidas de sustitución en lugar de salidas calculadas en este código https://www.mql5.com/ru/articles/497, entonces tendremos el mismo resultado para cualquier combinación de entradas - después de todo, siempre utilizaremos la respuesta preestablecida. Es decir, no habrá aprendizaje.
por lo que habrá diferentes salidas
Oh, ya veo, esto es una no-neurona).
por lo que habrá diferentes salidas
no entiendo su idea (