Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 468
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
Lo he visto todo el tiempo y siempre es lo mismo, siempre es rápido.
Siempre digo a mis clientes que no hay asesores rápidos, es un trabajo duro:
1 necesita formalizar su ST y crear una especificación de requisitos
2 traducirlo a un código comprensible para la máquina
3 comprobar si hay errores en la ejecución de la lógica
4 comprobar los errores de ejecución en las operaciones
5 realizar cambios adicionales según los errores identificados en la lógica y la ejecución
6 para probarlo en el probador y en los datos reales
7 para completar el Asesor Experto con las funciones que necesita para trabajar en la cuenta real
etc.
La función del programador es sólo (2,5) traducir sus términos de referencia al lenguaje de la máquina y, si encuentra alguna inconsistencia en su trabajo con sus términos de referencia, corregir los errores, y en este punto, el trabajo del programador está hecho; su Asesor Experto está trabajando de acuerdo con sus términos de referencia.
Todo el resto es su trabajo para crear, comprobar y mejorar (actualizar) su EA.
Saludos cordiales.
P.D. la creación de un EA rentable puede llevarle hasta medio año o incluso más, si realmente lo necesita.
Lo que realmente necesita es un abridor y un cerrador fiables, ¿realmente tardaría medio año en hacerlo????? Entonces no eres rival para nosotros...
En la vida real será una n roja...))
Lo siento, Profesor))))
Eso sí es discutible... Tramposo. Porque allí no se introducen realmente datos en la entrada y es esencialmente el trabajo de los coeficientes del polinomio mismo..... Y creo que la presencia de datos de entrada sólo mejorará la equidad. Pues sí.... ¡¡¡¡IMHO!!!!
Lo que realmente necesita es un abridor y un cerrador fiables, ¿realmente tardaría medio año en hacerlo????? Entonces no eres adecuado para nosotros...
MySQL: No es mi tarea construir un EA rentable, sino que es su tarea implementar su EA.
Lleva 14 años escribiendo estas tonterías)))
Con respeto.
Idiotas, todo hecho hace mucho tiempo, sólo necesita un abridor fiable con el manejo de errores del servidor..... Soy hilarante.... :-)
Idiotas, todo hecho hace mucho tiempo, sólo necesita un abridor fiable con el manejo de errores del servidor..... Soy hilarante.... :-)
Saludos cordiales.
P.S. no se olvide de especificar un tiempo de ejecución de 2 horas, de acuerdo con su trabajo allí por 5 minutos, por lo que si el programador será un pulgar a la izquierda para escribir y que tendrá tiempo.
Si se comparan las predicciones del artículo y éstas, se puede ver que las tendencias predichas coinciden perfectamente en ambos modelos, pero en el artículo el modelo es mucho mejor a la hora de captar los picos agudos. Y el arima - con picos de precios según la suerte, y esas "malas suertes" causarán los mayores drawdowns. Además, en las propiedades del modelo se puede ver que no se utiliza la estacionalidad. Hasta ahora el artículo está ganando :(
Todavía necesito mucha intuición de Arima para establecer correctamente los límites de búsqueda de los coeficientes ar,i,ma y hacer que el modelo busque parámetros estacionales.
Discutir el arima sin analizar los residuos en el ARCH es un ejercicio completamente vacío. Hay algunas series que tienen un residuo estacionario después de una simulación arima. Pero discutir el error de predicción suponiendo que es estacionario no es serio. Ese residuo es extremadamente facetado.
También he realizado algunos ajustes más en el ejemplo de Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
La estacionalidad no funcionó porque el período de datos se definió como 1, lo que hizo que auto.arima desactivara automáticamente la estacionalidad. En el código he puesto el periodo en 48 (día en el marco temporal H12 actual), como en el artículo.
También es posible utilizar la función findfrequency() del paquete forecast para determinar el periodo automáticamente, para estos datos la función devuelve 24.
Así ha funcionado mejor, el modelo acierta en los picos de valores y predice mucho mejor las subidas de valores.
tren arima r^2: 0,516988
prueba arima r^2: 0,5346457
prueba arima diff r^2: 0,8407468
precisión de la prueba arima: 0,8288288
Pero esto no es ni mucho menos lo ideal, las predicciones del artículo son mucho más precisas. Parece que la razón es que los datos tienen varios períodos (24, 48, 336 - medio día, un día, una semana), pero incluso con la estacionalidad arima no puede entrar en tres períodos a la vez.
He buscado si es posible enseñar R Arima con varias estacionalidades, parece que no, por lo que no hay forma de hacer mejores predicciones. Ahora entiendo por qué el artículo tiene tantas dificultades, con cada modelo el autor está tratando de captar diferentes períodos de fluctuaciones en los valores.
¡¡¡¡OOO Y aquí está nuestro querido Trickster!!!! Bueno, tienes las manos llenas de poo???? Aquí hay una excusa para lanzarlos alrededor de ....
Sobre el tema de si el optimizador de Reshetova está siendo reentrenado o no. Aquí está una captura de pantalla que publiqué ayer en uno de los grupos de forex..... El azul indica el periodo de optimización, el verde los contratos de futuros. Pero no hay posibilidad de enviar los datos y resulta que desde principios de año funcionaba bien.... Y tú dices que hay que reciclar, sólo tienes que ser capaz de entrenar....
Ahora qué vas a decir sobre el sobreentrenamiento????
En el mercado cualquier clasificador se reentrena porque el mercado no es estacionario. Si queremos evitar el sobreentrenamiento, tenemos que enseñar el NS para toda la historia. De lo contrario, el ciclo del mercado siempre cambiará y el modelo se equivocará. Por eso, el único enfoque correcto es el sobreentrenamiento o el reentrenamiento en el proceso de trading :) No creemos en los carretes, que dan constantemente un 1000% mensual en un historial de 15 años sin ninguna intervención.
En general, todavía no veo la línea - lo que significa NS sobreentrenado en forex. ¿Es cuando no gana en una muestra de prueba? nah nah nah... no no no... se trata de la no estacionalidad. En cuanto a la estrategia, no hay ningún efecto sobre su rentabilidad.
También he hecho un pequeño ajuste en el ejemplo de Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
La estacionalidad no funcionó porque el período de datos se definió como 1, lo que hizo que auto.arima desactivara automáticamente la estacionalidad. En el código he puesto el periodo en 48 (día en el marco temporal H12 actual), como en el artículo.
Además, puede utilizar la función findfrequency() del paquete forecast para determinar el periodo automáticamente, para estos datos la función devuelve 24.
Funcionó mejor así, el modelo entra en saltos bruscos de valores y predice mucho mejor los aumentos de valores.
tren arima r^2: 0,516988
prueba arima r^2: 0,5346457
prueba arima diff r^2: 0,8407468
precisión de la prueba arima: 0,8288288
Pero esto no es ni mucho menos lo ideal, las predicciones del artículo son mucho más precisas. Parece que la razón es que los datos tienen varios periodos (24, 48, 336 - medio día, un día, una semana), e incluso con la estacionalidad arima no puede llegar a los tres periodos a la vez.
He buscado si es posible enseñar R Arima con varias estacionalidades, parece que no, por lo que no hay manera de hacer mejores predicciones. Ahora entiendo por qué el artículo tiene tantas dificultades, con cada modelo el autor está tratando de captar diferentes períodos de oscilación de los valores.
¿Podría publicar el informe sobre el ajuste con los parámetros?