Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1035
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
Respondía a la pregunta "¿por qué necesitamos a Spark?"
Estabas demostrando la necesidad de un sistema ajeno, pero no pudiste mostrar lo que personalmente puedes con tu biblioteca y responder a mi pregunta específica, y hay una tarea de habilidades de nivel de entrada. https://www.mql5.com/ru/forum/86386/page1033#comment_8211170
En realidad el patrón contiene señales de la estrategia simple en el cruce de medias móviles - EMA 9 y EMA 14, ligeramente ruidoso, para aumentar la rentabilidad).
Estoy publicando la plantilla de respuesta completa - soluciones con señales iniciales, superposición de indicadores y ejecución visual en el probador de uno de los Asesores Expertos entrenados en las señales anteriores.
Estoy pegando EA_EURUSD_H1_NN - basado en la red neuronal, EA_EURUSD_H1_RF - en bosques aleatorios,
Los Asesores Expertos son probados en el servidor EURUSD H1 de MetaQuotes-Demo, los gráficos de prueba apropiados se muestran a continuación.
...red neuronal
...bosques aleatorios
En ambos gráficos está marcado el periodo de formación, es decir, el periodo en el que hay señales de formación, véase el patrón.
Usted estaba demostrando la necesidad de un sistema ajeno, pero para mostrar lo que personalmente puede con su biblioteca y responder a mi pregunta específica, y hay una tarea para las habilidades de nivel de entrada. https://www.mql5.com/ru/forum/86386/page1033#comment_8211170
En realidad el patrón contiene señales de la estrategia simple en el cruce de medias móviles - EMA 9 y EMA 14, ligeramente ruidoso, para aumentar la rentabilidad).
Estoy pegando la plantilla completa de la respuesta - solución con las señales iniciales, los indicadores superpuestos y la ejecución visual en el probador de uno de los Asesores Expertos entrenados en las señales anteriores.
Estoy pegando EA_EURUSD_H1_NN - basado en la red neuronal, EA_EURUSD_H1_RF - en bosques aleatorios,
Los asesores son probados en el servidor EURUSD H1 de MetaQuotes-Demo, abajo están los gráficos de prueba correspondientes.
...red neuronal
...bosques aleatorios
En ambos gráficos se marca el periodo de formación, es decir, el periodo en el que hay una señal de formación, véase el patrón.
¿NN es su red secreta?
¿y las características son exactamente las mismas?
¿NN es su red secreta? las diferencias son grandes
¿y las características son exactamente las mismas?
Sí, pero la cuestión es otra: pongámonos de acuerdo en los formatos e intercambiemos información sobre las OI para comerciar, de lo contrario no tendremos ningún progreso, sólo un pliegue a ciegas.
PD: Las características en ambos EAs se cuentan por barra OHLC, y su número y fórmula de cálculo, son idénticos.
Sí, pero la cuestión es otra: pongámonos de acuerdo en los formatos e intercambiemos información sobre las OI para comerciar, de lo contrario no avanzaremos, sino que será un juego sucio, al estilo del hombre ciego con el hombre ciego.
PD: En ambos EAs las fichas se calculan utilizando la barra OHLC y su número y fórmula de cálculo son idénticos.
Deberías unirte a nuestra sala de chat, allí discutimos estrategias y negociamos. Hay mucha segregación por temas, a quién le interesa lo que es interesante.
Los temas importantes o secretos están cerrados a los forasteros.
Hace tiempo que está claro lo de Spark, no lo he preguntado. Preguntaba por la idea. Este enfoque con la chispa es simplemente fuera de control debido a la forma ineficiente de aprender y la potencia requerida
Lo mismo puede hacerse mediante la optimización en la nube de MT5 sin andamiaje. No sé si tu salida y si te da beneficios, pero no es así y este algoritmo siempre fallará debido a los sobreajustes
IMHA
Existe la opinión de que el modelo construido debería devolver siempre 0 o 1.
¿Pero qué pasa si tratamos el resultado devuelto por el modelo como el de un indicador? Intentar estimar un modelo de este tipo mediante el MSE, etc., no servirá de nada. Pero cuando se aplica dicho modelo con parámetros de compra > 0,75 y de venta < 0,25 se obtienen buenos beneficios.
La idea en sí: lanzar varios datos de diferentes indicadores en un bosque aleatorio y obtener un súper indicador.
La forma de buscar el grial requiere la comprobación de las ideas no estándar.
Existe la opinión de que un modelo construido debe devolver siempre 0 o 1.
¿Pero qué pasa si tratamos el resultado devuelto por el modelo como un indicador? Intentar estimar un modelo de este tipo mediante el MSE, etc., no servirá de nada. Pero cuando se aplica dicho modelo con parámetros de compra > 0,75 y de venta < 0,25 se obtienen buenos beneficios.
La idea en sí: lanzar varios datos de diferentes indicadores en el bosque aleatorio y obtener un superindicador.
Las formas de encontrar el grial requieren probar ideas fuera de lo común.
Forest no da probabilidades de pertenencia a una clase, por lo que estas desigualdades no tienen sentido
>< 0,5 y ya está, no hay otra forma. Y luego está la cuestión de qué es mejor, si los signos y los resultados binarizados o no.
puedes dividir de 0 a 100 en clases, no hay diferencia, no es el NSel bosque no da probabilidades de pertenencia a una clase, por lo que estas desigualdades no tienen sentido
>< 0,5 y ya está, no hay otra forma. Y otra cuestión es qué es mejor: signos y salidas binarizados o no.
se puede dividir en clases de 0 a 100, no es como NS.Si no hay probabilidad, ¿qué hacen estas líneas?
Ah, sí.
el resultado de todos los algoritmos de clasificación incluidos en ALGLIB no es la clase a la que pertenece el objeto, sino un vector de probabilidades condicionales.
Pero esto no es un gran consuelo. Habrá menos señales y no necesariamente más resultados. Para mí, por ejemplo, no lo hizo. Ahora pongo un umbral de 0,5 en todas partes.
Es mucho más importante la comparabilidad de los errores en el trazado y en el oob.
Ah, sí.
el resultado de todos los algoritmos de clasificación incluidos en ALGLIB no es la clase a la que pertenece el objeto, sino un vector de probabilidades condicionales.
Pero esto no es un gran consuelo. Habrá menos señales y no necesariamente más resultados. Para mí, por ejemplo, no lo hizo. Ahora pongo un umbral de 0,5 en todas partes.
Lo que es mucho más importante es la comparabilidad de los errores en el tren y el oob.
Pero estas son peculiaridades de los algoritmos modificados.
AlgLib implementa el bosque aleatorio clásico sin modificaciones. Lo mismo ocurre en Spark.
Ajustar el umbral a 0,5 = adaptar los datos al resultado.
P.D. Incluso los parámetros de generación de bosques aleatorios son diferentes.
Pero estas son peculiaridades de los algoritmos modificados.
AlgLib implementa un bosque aleatorio clásico sin modificaciones. Lo mismo ocurre en Spark.
Ajustar el umbral a 0,5 = adaptar los datos al resultado.
P.D. Incluso los parámetros de generación del bosque aleatorio son diferentes...
creo que también tengo algLib )
aquí hay una descripción, no sé qué tan "clásico" es
http://alglib.sources.ru/dataanalysis/decisionforest.php