Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 879
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
Creo que es el único, no hasta la fecha, sino el único para MO y NS en configuraciones de razonable complejidad. En primer lugar, limitamos los ámbitos de aplicación de la NS y la MO, y luego aplicamos la NS y la MO.
Y resolver problemas como "en general, todos y a la vez", eso es para la IA).
Más bien, la NS es una lógica entrenable de toma de decisiones. En un principio, se trataba de sustituirla en las estrategias estándar, sin molestarse en escribirla.
Bueno, "nunca en general" es una afirmación demasiado fuerte. Espero que aparezca un ordenador cuántico sensato en los próximos 50 años)) Y entonces quizás una verdadera IA).
Pero sí, el desarrollo actual de los procesadores ha alcanzado el límite físico de colocación en el plano. Y en tres dimensiones, es mucho más difícil construir todo.
Dirigido: tiene una regresión, no una clasificación. Por el momento, he renunciado a la regresión. Creo que es mejor entrenar 2 neurosets, según el número de objetivos, pero no he hecho suficientes experimentos con la regresión - experimenta por tu cuenta.
La secuencia de las columnas no es importante, lo principal es decirle a la NS que son objetivos. La secuencia de filas es probablemente mejor para tener los datos más frescos al final (pero no necesariamente), muchos paquetes barajan todas las filas por defecto para un entrenamiento uniforme. De lo contrario, el NS puede estancarse en algún punto intermedio (mínimo local) y no llegar a los datos frescos. Los datos frescos (último 10-20%) pueden ser alimentados 2 - 3 veces para que la red aprenda mejor las últimas tendencias del mercado - también una opinión no probada por mí en la práctica.
Mira el blog del iniciador del tema - él enseñó la regresión allí, un montón de buenos pensamientos. Pero al final escribió que había encontrado algún error en el código que hacía que todos los resultados fueran inválidos.
Así que no hay respuestas claras e inequívocas, por eso todos guardan silencio)
¡Justo lo que quiero para convertir el objetivo en una clasificación! Entiendo que el árbol sólo come 0 y 1 (es decir, dos valores lógicos), y en mi caso hay que separar los resultados de compra y venta por separado y entrenarlos(clasificarlos?) como árboles separados.
Gracias por la respuesta. Rechacé la regresión, porque sus valores absolutos serán ruido en un sistema no estacionario, pero usaré la regresión como una solución lógica, por ejemplo para encontrar el precio relativamente al canal.
Sobre la mezcla de datos está claro, pero es extraño, y entendí que si queremos decirle a NS/Árbol de Decisión sobre eventos pasados, deberíamos hacer una copia de los predictores con un desplazamiento, aumentando la profundidad para cada desplazamiento en un orden de magnitud?
Lo de barajar los datos es comprensible, pero extraño, y entiendo que si queremos informar a NS/Árbol de decisiones sobre eventos pasados, tenemos que hacer una copia de los predictores con un desplazamiento, aumentando la profundidad para cada desplazamiento en un orden de magnitud...
¿Para qué sirve otra copia? Cada fila de tu tabla son los mismos predictores que se remontan en el tiempo.
¿qué tipo de preguntas?
No se puede enseñar a una red neuronal el beneficio esperado, hay que enseñar las cosas que la red neuronal debe clasificar o aproximar, es decir, acciones específicas de compra/venta o condiciones específicas del mercado
En cuanto a los predictores, cuáles son mejores y cuáles no, nadie te puede decir la respuesta, porque hay que estudiarlos y ver cómo funciona el ST, de eso se trata todo este tema, en su mayoría, pero cada uno tiene unos diferentes
sobre redes neuronales - puedes usar alglib o R o Python - se ha escrito unas 100 veces
sobre la secuencia de entrenamiento - no importa qué datos son más nuevos y cuáles son más antiguos, hay que entender cómo funciona el NS - minimiza el error para todos los casos en conjunto.
Puedes encontrar un montón de fundamentos de redes neuronales en youtube y google, no se discute aquí porque no tiene sentido.
He escrito - hay que estudiar todo desde lo básico, entonces se entiende qué y dónde, de lo contrario es una pérdida de tiempo.
Hace seis meses yo mismo sigo sin entenderlos, ahora más o menos. He leído una tonelada de literatura y cientos de horas de vídeos, y entonces comenzó una especie de síntesis de conocimientos. Y sí, mis preguntas tampoco son respondidas de forma inteligente, he estado indagando por mi cuenta :)
Pero tus preguntas son demasiado vagas, resulta que necesitas ser vidente para empezar a adivinar, porque necesitas observar un gran número de detalles para que algo funcione, en lugar de mirar la tabla y entenderlo todo :)))
Mi contribución al desarrollo de MO en el recurso, lo he hecho en forma de 2 artículos, si voy a seguir escribiendo hasta ahora no lo sé, porque ya ha comenzado la zona de santos griales (es broma)
¿Por qué no puedo enseñar los puntos de entrada donde se espera el máximo beneficio para comprar o vender?
Tengo bastantes predictores, los estoy añadiendo poco a poco al guión. Todavía no sé si son buenos o malos al final...
Sobre las redes neuronales - estaba interesado en nombres específicos de NS que trabajan mejor con el objetivo en forma de clasificación... Y hasta ahora no he podido configurar ningún paquete normal todavía :( Por eso estoy probando con "Deductor Studio Academic" - interfaz muy comprensible, todo está en ruso, hay árboles y red neuronal, parece bueno para un principiante, pero lo malo es que no se pueden exportar los resultados.
No sé si es un buen resultado para un árbol. Se entrenó en el 50% de la muestra y se probó en el 50%.
Estoy estudiando lo básico, releyendo algunos artículos aquí y viendo conferencias en NS, pero no todo es sencillo, y no tengo a quién preguntar...
Gracias por su atención.
¿Por qué si no habría una copia? Cada fila de tu tabla son los mismos predictores que se remontan en el tiempo.
Entonces, ¿cómo se pueden mezclar? Porque rompe su secuencia...
¿El árbol mira la secuencia?
Entonces, ¿cómo se pueden mezclar? Porque rompe su secuencia...
¿Un árbol mira la secuencia?
No me dedico a los árboles.
¿Por qué no puedo enseñar los puntos de entrada donde se espera el máximo beneficio para comprar o vender?
Tengo bastantes predictores, los estoy incorporando poco a poco al guión. Todavía no sé si son buenos o malos...
Sobre las redes neuronales - estaba interesado en nombres específicos de NS que trabajan mejor con el objetivo en forma de clasificación... Y hasta ahora no he podido configurar ningún paquete normal todavía :( Por eso estoy probando con "Deductor Studio Academic" - interfaz muy comprensible, todo está en ruso, hay árboles y red neuronal, parece bueno para un principiante, pero lo malo es que no se pueden exportar los resultados.
No sé si es un buen resultado para un árbol. Se entrenó en el 50% de la muestra y se probó en el 50%.
Estoy estudiando lo básico, releyendo algunos artículos aquí y viendo conferencias en NS, pero no todo es sencillo, y no tengo a quién preguntar...
Gracias por su atención.
La cuestión es evitar llegar a uno de los mínimos locales. Sin embargo, la mezcla no es necesaria - es posible aprender sin ella; dependiendo de la presencia de mínimos locales en sus datos, y la disponibilidad de otros métodos para saltar los mínimos de bloqueo, si existen.
No me dedico a los árboles.
Bien, ¿cómo debe presentarse la secuencia (cronología) de los datos en el archivo: debe ser el más reciente (2018) o el más antiguo (2017) al principio?
De acuerdo, ¿cómo debe presentarse la secuencia (cronología) de los datos en el archivo: debe estar al principio el más reciente (2018) o el más antiguo (2017)?
Demasiado bueno - menos del 10% de error. ¿No tienen sus predictores un vistazo al futuro? Por eso el error suele ser tan pequeño.
No que yo sepa - ayer encontré un predictor que vigilaba 1 barra, pero mi objetivo no depende del número de barras transcurridas desde la apertura de la posición (es decir, no se establece la dependencia), cerré utilizando el stop loss, que funciona en el indicador.
Todos los predictores funcionan en la apertura del bar -ni siquiera sé cómo detectar los que se asoman- deben ser importantes, ¿no?
No veo eso en la foto...