Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 545
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
especialmente si utilizamos la agrupación multidimensional, podemos intentar alimentar vectores con características y vectores con un desfase de, digamos, incrementos... para dividirlos en grupos - qué características corresponden a qué incrementos en el futuro
y luego aplicar a este conjunto para el entrenamiento de NS, por ejemplo... es decir, como la minería de datos
sí, exactamente antes de entrenar... o como algo separado para el ST
Por cierto, en muchos paquetes de python (también debe haber algunos en R) hay una cosa además de batch_size - como time_steps, sólo se utiliza en el análisis de series de tiempo. Es decir, se introduce inmediatamente una matriz de longitud time_steps, que se tiene en cuenta dentro de los tensores del modelo.
Es posible que me sorprenda un poco al ver que no estoy acostumbrado a este tipo de cosas:
Los mercados están interconectados, por lo que el capital fluye dentro de todo un sistema. Así que si se tiene un buen modelo profundo y recursos computacionales, por supuesto, se pueden captar estos movimientos de masas de dinero.
especialmente si utilizamos la agrupación multidimensional, podemos intentar alimentar vectores con características y vectores con un desfase de, digamos, incrementos... para dividirlos en grupos - qué características corresponden a qué incrementos en el futuro
y luego aplicar a este conjunto para el entrenamiento de NS, por ejemplo... es decir, como el datamining
sí, exactamente antes de entrenar... o como algo separado para el ST
Y lo de la minería de datos, me ha gustado la idea de @Mihail Marchukajtes sobre las opciones y la sonrisa de la volatilidad. Sólo que había un problema con el analizador.
Hasta ahora tengo una especie de mezcla desconocida de modelo autorregresivo sobreoptimizado + elementos adaptativos... cosas desconocidas pero divertidas, pongo todo lo que aprendo :)
en cierto modo funciona, pero no siempre.
Intentaré hacer algún análisis intermercado cuando se me acaben las ideas, o información externa como las opciones. Si he aprendido algo nuevo, funciona, pero no siempre cuando me quedo sin ideas.
Has encontrado el problema si quieres tener en cuenta el diferencial. Y necesitas el spread si estás haciendo algo de pipsing.
Por lo tanto, al entrenar, los datos se descargan del historial a través de CopySpread, y existe la mínima dispersión en la barra. Y como el MOE lidera el análisis pobar, entonces para contabilizar correctamente el spread, se necesita en el momento en que se hacen los cálculos, es decir, Apertura, Cierre, Alta o Baja (dependiendo de lo que se quiera añadir este spread). Por ejemplo, yo trabajo con precios abiertos. Y, por supuesto, el spread mínimo en una barra casi nunca es igual al spread en el momento de la apertura de la barra. Como resultado, el TP o SL puede ser 10-20 puntos diferente del que se fijará en la realidad. Es decir, la rentabilidad del sistema será muy diferente a la que supone el modelo de MO.
Por lo tanto, el entrenamiento con una extensión mínima en la barra no puede reproducirse en la realidad.
Es decir, tenemos un problema en dos lugares:
1 - en la historia, sobre la que aprendemos (los diferenciales son diferentes).
2 - en el momento de hacer un trato (si la decisión se toma en el momento de la apertura de un bar). Diferentes spreads darán diferentes TP y SL.Me di cuenta de esta peculiaridad al comparar los resultados del modelo entrenado en precios abiertos y en ticks reales. La diferencia es muy grande. Es decir, en el comercio real la diferencia también será grande.
Se trata de no utilizar los spreads (rechazando así la posibilidad de utilizar el scalping a partir de las capacidades de un sistema enseñable), o de recoger las matrices para el entrenamiento en ticks reales y luego probarlas en ticks reales - se necesita mucho más tiempo que la prueba del precio de apertura. Como alternativa, para agilizar el proceso, podemos crear previamente un símbolo personalizado pasando por ticks reales y recogiendo los spreads necesarios.
Hasta ahora veo los modelos de MO: El modelo da la decisión de entrar o no, y el resto es cuestión de gestión del dinero y estrategia de trading.
En resumen: los puntos de entrada, los ratios de beneficio, el recuento de pips no son todo para un modelo simple.Especialmente con el historial de velas, las redes neuronales aprenden bien.
Si trasladamos la selección de puntos de entrada/salida o cualquier otro detalle a MetaTrader 2, lo haría con el segundo modelo. O complicar el modelo, en cuyo caso sólo funcionará eficazmente el aprendizaje profundo con tensores paralelos.
Yo veo los modelos de MO hasta ahora: el modelo da la decisión de entrar o no, todo el resto es cuestión de gestión del dinero y estrategia de trading.
En resumen: puntos de entrada, ratios de beneficio, recuento de pips... todo no es para un modelo simple.Además, las redes neuronales aprenden bien del historial de velas.
Si trasladamos la selección de puntos de entrada/salida o cualquier otro detalle a MetaTrader 2, lo haría con el segundo modelo. En este caso, sólo el aprendizaje profundo con tensores paralelos será eficaz.
¿ya has probado el profeta de facebook?
Por alguna razón, mi liba se niega obstinadamente a instalarse, poner anaconda, python... se cuelga en la fase de instalación y ya está. la liba de mi amigo funciona
bueno, otro interesante
http://pythondata.com/stock-market-forecasting-with-prophet/
¿has probado ya el profeta de facebook?
Por alguna razón, mi liba se niega obstinadamente a instalarse, poner anaconda, python... se cuelga en la fase de instalación y ya está. la liba de mi amigo funciona
bueno, otro interesante
http://pythondata.com/stock-market-forecasting-with-prophet/
He leído estos artículos y, para ser sincero, no me impresiona el enfoque del Dr. Brown.
Por otro lado, la biblioteca es interesante. Estoy seguro de que será interesante mirar a través de los modelos de tendencia.
Por ahora me quedaré con Keras. Especialmente el entrenamiento con refuerzo es fácil de implementar junto con Keras-RL.
Nota sobre la instalación, cuando se utiliza Anaconda, los paquetes deben ser instalados a través de "conda" en lugar de "pip".
Por alguna razón, mi liba se niega obstinadamente a instalarse...
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
No cri)))) para un juego "avanzado" para vr.
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
algo interesante... para python no encuentro
ya tengo un montón de cosas apiladas, es hora de construir un nuevo bot :)
Nota sobre la instalación, cuando se utiliza Anaconda, los paquetes deben ser instalados a través de "conda" en lugar de "pip".
Sí, lo hice vía condu y lo hice vía pip en python desnudo... tengo un error en el propio sistema, no puede construir y compilar lo que descargué... quizás tenga que volver a descargarlo a mano
no hay que preocuparse.