Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 691
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
Pero todos estos enfoques estadísticos no son relevantes para el Forex :)
sólo para devanarme los sesosDepende del enfoque del mercado en general. Por ejemplo, después de seleccionar predicados y obtener un modelo, podemos aplicar las mismas métricas a los resultados del modelo entrenado. Y si se han entrenado varios modelos, utilizar estas métricas para elegir el adecuado. Ese es el problema en muchos aspectos. Después de obtener 10 modelos hay que elegir el que será el mejor en el futuro. Y esto se puede hacer construyendo VI o el mismo andamiaje pero sobre resultados de modelos obtenidos.... IMHO
Depende del enfoque del mercado en su conjunto. Por ejemplo, tras seleccionar los predictores y obtener un modelo, podemos aplicar las mismas métricas a los resultados del modelo entrenado. Y si se han entrenado varios modelos, utilizar estas métricas para seleccionar el adecuado. En muchos sentidos, este es exactamente el problema. Después de obtener 10 modelos hay que elegir el que será el mejor en el futuro. Y esto se puede hacer construyendo VI o el mismo andamiaje pero sobre resultados de modelos obtenidos.... IMHO
En mi opinión, creo que consume demasiado tiempo en un mercado siempre cambiante... más tiempo que el comercio manual para mí personalmente
si hablamos de eficiencia, este enfoque no es eficiente, con baja eficiencia
así que no me interesa la minería de datos por la minería de datos
¡¡¡¡Conmovedor decir!!!! En la continuación del tema.... Como sabéis empecé a retorcer R y fui capaz de calcular el máximo VI entre cada entrada y salida, pero incluso eso fue suficiente para reducir los datos de entrada de 110 a 20-30 quedando los datos de entrada con la máxima información sobre la salida. Como resultado, los modelos empezaron a pasar mis propias pruebas cada vez con más éxito. Vamos a ver cómo será en el bucle de retroalimentación. En una semana se verá.
Pero aquí creo que una métrica VI no será suficiente. Debería intentar calcular la redundancia e intentar reducir el número de columnas.
Tal vez ya existan funciones que permitan estimar los datos de entrada a la salida además de la información mutua????
Sí, y he escrito sobre ello más de una vez en este hilo.
Los algoritmos de selección de predictores que se utilizan SIN el modelo de aprendizaje automático dan buenos resultados porque los que se incorporan al algoritmo forman parte de éste y simplemente informan sobre cómo se utilizaron los predictores en ese algoritmo concreto, no sobre su importancia para la variable objetivo.
Los algoritmos en caret son muy eficaces, hay tres de ellos. Por lo general, se debe tomar este paquete, porque tiene todo en él: la minería de datos, que no es sólo la selección de predictores, un montón de modelos, la selección de modelos y su evaluación. En cualquier caso, este careto puede servir de libro de texto sobre "lo que pasa".
Una vez hice una revisión para mí, puede ser útil.
Completo, y no es la primera vez que escribo sobre ello en este hilo.
Los algoritmos de selección de predictores que se utilizan SIN el modelo de aprendizaje automático dan buenos resultados, ya que los integrados en el algoritmo forman parte de éste y simplemente informan de cómo se utilizaron los predictores en ese algoritmo concreto, en lugar de su importancia para la variable objetivo.
Hice una revisión para mí una vez, podría ser útil.
¿Y si lo piensas? Con este enfoque, entrará en un ciclo interminable de selección de características
y dejas caer ejemplos donde la mayoría de los modelos están construidos sobre árboles lolz :)
En mi opinión, creo que es demasiado tiempo en un mercado siempre cambiante... más tiempo que el comercio manual para mí personalmente
y no me interesa la minería de datos por la minería de datos
Si no se tiene en cuenta la potencia de cálculo gastada, sino el tiempo que se tarda en preparar la negociación, se obtiene un panorama bastante interesante. Hago lo siguiente.
El sábado dedico de 4 a 8 horas (día de trabajo) para la creación de un modelo y no uno; dejo el viernes como un pedazo de OOS con el fin de determinar el estado de funcionamiento de la ST. Así, el sábado lo dedico a la preparación de la semana siguiente. Y tienes toda la razón en cuanto a que el mercado cambia demasiado rápido, por lo que es una estupidez construir modelos a 5 años vista. Por regla general, si el TS se ejercita el 50% del periodo de entrenamiento es un resultado decente. Como resultado, al darme cuenta de que no tiene sentido hacer modelos grandes, porque será peor la calidad del entrenamiento (cuanto más largo sea el periodo de entrenamiento, peor será el modelo), elegí un periodo de entrenamiento de dos semanas, para que el ST pudiera trabajar al menos una semana. Como resultado, obtengo unos 10 modelos, los someto a todo tipo de pruebas, y ahora todo tipo de métricas.... Elijo exactamente los que han pasado estas pruebas y lo pongo todo en la UPU y ...... está libre hasta el próximo sábado. El robot trabaja de forma independiente, yo sólo controlo su ejecución de órdenes. Así que... ...vigilarlo para que no se atasque. Antes tenía que ir al TS todas las mañanas y establecer un parámetro, pero ahora me he librado de este problema y no visito el TSU en absoluto, una vez cada dos o tres días, e incluso entonces, si no hay operaciones durante este tiempo, pero por lo demás... Al diablo con todo. Como resultado, estimo mi trabajo no de acuerdo a acuerdo, sino por semanas. En una semana obtengo beneficios o pérdidas, y lo principal es tener más semanas rentables. Pero el hecho es que
Pasé 5 horas el sábado para pasar la semana siguiente con las manos en los pantalones y sin pensar en el mercado, y enseñando a los alumnos todo tipo de trucos informáticos. Sentarse a realizar operaciones manuales conlleva una desventaja. Puedes sentarte frente al monitor todo el día y perder dinero, lo que no sólo conlleva una pérdida de dinero, sino también de tiempo. ¡¡¡¡¡Y como sabes el tiempo es un recurso no renovable!!!!!
Si operamos con un robot, deberíamos intentar pasar el menor tiempo posible en el mercado, para que en caso de fallo del mercado podamos evitarlo obteniendo algunos ingresos en el sector real (trabajo, taller, etc.).
NO tiene sentido construir grandes modelos en un mercado que cambia constantemente. La única diferencia es que los modelos pequeños suelen ser mejores en términos de resultados de entrenamiento, y además se construyen más rápido.
En cuanto a los modelos adaptativos de seguimiento del mercado, cuando los nuevos datos corrigen la estructura del modelo, estos modelos tampoco viven mucho tiempo. A no ser que se trate de un sistema de autoaprendizaje que se reaprende automáticamente en intervalos de tiempo, se selecciona a sí mismo, etc. Evidentemente huele a inteligencia, pero creo que aún falta mucho. ¡¡¡¡IMHO, naturalmente!!!!
Si hablamos de modelos adaptativos para seguir el mercado, en los que los nuevos datos ajustan la estructura del propio modelo, tales modelos tampoco duran mucho. A no ser que se trate de un sistema de autoaprendizaje que se reentrena automáticamente a intervalos, se selecciona, etc. Evidentemente huele a inteligencia, pero creo que aún falta mucho. ¡¡¡¡IMHO, naturalmente!!!!
todo está ahí desde hace mucho tiempo :) funciona y aprende constantemente, luego los resultados de su "actividad" son aproximados por una red neuronal y luego estas estimaciones son utilizadas con cierta probabilidad para tomar nuevas decisiones y su posterior ajuste
al menos el enfoque es más lógico para el forex
A grandes rasgos, un sistema de este tipo está constantemente hurgando en diferentes estados, recordando lo que ha hecho, analizando las consecuencias y tomando decisiones basadas en su experiencia... algunos olvidando, mejorando... Es como una IA y comercia casi como un comerciante real :) eso es aprendizaje real y no una aproximación habitual en el caso de lo que hemos hecho hasta ahoraCompleto, y no es la primera vez que escribo sobre ello en este hilo.
Los algoritmos de selección de predictores que se utilizan SIN el modelo de aprendizaje automático dan buenos resultados, ya que los integrados en el algoritmo forman parte de éste y simplemente informan de cómo se utilizaron los predictores en ese algoritmo concreto, no de su importancia para la variable objetivo.
Los algoritmos en caret son muy eficaces, hay tres de ellos. En general, usted debe tomar este paquete, porque tiene todo en él: la minería de datos, que no es sólo la selección de predictores, un montón de modelos, la selección de modelos y su evaluación. En cualquier caso, este careto puede servir de libro de texto sobre "lo que pasa".
Hice una revisión para mí una vez, podría ser útil.
Gracias. He instalado el caret. Lo intentaré. Pero el otro día me di cuenta aquí. De momento tengo unas 110 entradas, lo máximo que he podido formular y montar. ¡¡¡¡Lo hice hace mucho tiempo, tres o más años y me dije, ¿y si estos insumos no son tan buenos como los pienso, eso me llevó a la idea de retomar la búsqueda de insumos para mi TS!!!! Sobre todo porque es mucho más fácil hacerlo con las métricas de las estadísticas. Primero, ponemos todo en el montón general, y luego lo tamizamos y dejamos sólo los importantes por algún criterio u otro.
Me puse en contacto con Denis de KD y me prometió que me ayudaría a conseguir más datos de naturaleza completamente diferente, pero relacionados con el mercado. Sin embargo, creo que no es correcto tomar los datos para el período de N barras, porque en este caso seguimos la escala de tiempo, mientras que ganamos en la escala de precios. Por tanto, el mercado debe analizarse utilizando la escala de precios (perfil), no la escala temporal. Denis prometió ayudar en la construcción del perfil delta, etc. Y estos mismos datos serán más interesantes para la IA que, por ejemplo, el Delta sobre N barras. Además, también utiliza el bombo con SME, por lo que podemos llegar a OM, y esto combinado con el volumen ya es GOGOYOYO!!!!!. Por supuesto que la OM no hará el tiempo, pero la adición de un 5-10% al rendimiento de la TC no hará daño, porque a veces son estos porcentajes los que faltan......
¿Y si lo piensas? Con este enfoque, entrará en un ciclo interminable de selección de características
y dejó caer ejemplos donde la mayoría de los modelos se construyen en los árboles lolz :)
No necesito pensar, para mí es una fase superada con un archivo bastante grande de resultados experimentales.
Voy a repetir lo que he escrito muchas veces.
1. Objetivo ZZ
2. He inventado unos 200 predictores para este objetivo
3. Se seleccionaron 27 predictores de entre 200 mediante el algoritmo de "influencia en el objetivo".
4. Seleccioné predictores de 27 predictores en cada barra y cambié el número de predictores seleccionados de 6-7 a 15 de 27.
5. Ajustando rf. El error de ajuste es ligeramente inferior al 30%.
No hay ciclos infinitos. El 30% es un resultado muy bueno, pero en teoría. No he conseguido construir un Asesor Experto práctico utilizando este resultado, tuve que añadir indicadores de tendencia. Actualmente estoy cambiando los indicadores por GARCH.
todo está ahí desde hace mucho tiempo :) funciona y está en constante aprendizaje, luego los resultados de la "actividad" son aproximados por una red neuronal, y luego estas estimaciones se utilizan con una cierta probabilidad para tomar nuevas decisiones y su posterior ajuste
al menos el enfoque es más lógico para el forex
A grandes rasgos, un sistema de este tipo está constantemente hurgando en diferentes estados, recordando lo que ha hecho, analizando las consecuencias y tomando decisiones basadas en su experiencia... algo olvida, mejora... Es como una IA y comercia casi como un comerciante real :)Esta es la primera opción, y la segunda es construir pequeños modelos sin adaptación durante un periodo de tiempo relativamente corto. Por así decirlo, asaltando el mercado. Vino y optimizó, se llevó de los plebeyos un par de buenos tratos y se fue hasta la próxima vez....
Los predictores se pueden seleccionar, extraer y crear. Sin embargo, recuerde que, además de los predictores llamados "ruido", hay ejemplos "ruido" que también deben ser repartidos o eliminados. Puede leerlo todo y repetir los ejemplos en los artículos
Redes neuronales profundas (Parte III). Selección de ejemplos y reducción de la dimensionalidad
Redes neuronales profundas (Parte II). Desarrollo y selección de predictores
Redes neuronales profundas(Parte I). Preparación de datos
Evaluación y elección de variables para modelos de aprendizaje automático
Buena suerte