Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1496
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
A grandes rasgos sí, este es el artículo de donde se tomó la base de todohttp://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/.
Y aquí hay un fragmento de código del ejemplo del artículo.
Si se quita el procesamiento de datos y la visualización, sí, el código tiene tres líneas.
Bueno, aquí es donde, por ejemplo, bulmarket y beermarket y bulmarket vienen, es decir, se necesita un poco de preprocesamiento de datos al principio
y luego viene el cálculo de la ruta a través de Viterbi y forward-backward, también 2 algoritmos diferentes. No lo entiendo, lo leeré.
en python se ve así, en lib hmmlearrn
Actualmente trabaja en la evolución de las redes neuronales mediante el aumento de las topologías a partir de http://gekkoquant.com/2016/10/23/evolving-neural-networks-through-augmenting-topologies-part-4-of-4-trading-strategy.
No he conseguido instalar remotamente el paquete RNeat a través de devtools, he utilizado su alternativa - remotes (remotes::install_github). El script para MT4 está casi listo. He excluido las transformaciones complejas de preprocesamiento, intentaré utilizar primero los datos en bruto. He añadido la posibilidad de trabajar con cualquier número de predictores. Si sale algo interesante, le informaré.
Adjunto un ejemplo de R-script para datos forex. El símbolo analizado es USDJPY-H1. Datos iniciales - último precio conocido y 10 retardos del RSI.Me gustaría ver cómo funciona RNeat en mi indicador
El uso de indicadores conocidos e incluso con un período fijo es una idea podrida, ningún algoritmo no encontrará patrones allí porque simplemente no existen, el mercado tiene una estructura dinámica, fractal (mutuamente cerrada), necesitamos un indicador que sea al menos ligeramente adecuado al mercado, que tenga en cuenta el fractal, incluso indirectamente
Estoy de acuerdo. Obtuve buenos resultados con el indicador ZigZag. Alimento los precios de los extremos recientes o sus derivados, incluyendo el precio no terminado del último extremo. El indicador se calcula para cada instancia del conjunto de entrenamiento, es decir, produce una variante sin reajuste. Este es el único indicador que ha mostrado resultados más o menos satisfactorios con los que se puede operar.
Si acerté, también hice casi lo mismo, pero con un algoritmo diferente, predije no la dirección sino la rodilla de giro, escribí aquí cómo manejé el preciohttps://www.mql5.com/ru/forum/86386/page1476
no puedo saber si estoy obteniendo un resultado perfecto cuando estoy introduciendo el objetivo
No está muy claro... ¿puede ser más específico?
p.d. ¿Y cuál era el objetivo? Miré el código pero no pude entenderlo, ¿maximización de beneficios?
Si entendí bien, yo también hice casi lo mismo, pero con un algoritmo diferente, no predije la dirección sino la rodilla de giro, escribí aquí cómo manejé el preciohttps://www.mql5.com/ru/forum/86386/page1476
Se puede dar una explicación de mercado a este efecto. En los puntos de inversión del mercado se produce un cambio en el equilibrio de la oferta y la demanda asociado a la manifestación de factores de fijación de precios más fuertes (fundamentales). Tal vez la relación matemática entre diferentes puntos del pasado pueda contener información valiosa para la previsión técnica de puntos futuros.
Me parece que es aún más sencillo... Si dejamos sólo los extremos significativos de los precios y dejamos de lado todo lo demás, además de que no estamos pronosticando la dirección sino sólo la traza del extremo, se están limpiando los datos de mucho ruido y se reducen los grados de libertad para la red neuronal, por lo que se agradece
Me parece que es aún más sencillo... Si dejamos sólo los extremos de precios significativos y dejamos de lado todo lo demás, además de no predecir la dirección, sino sólo la traza del extremo, no limpia los datos de mucho ruido y reduce los grados de libertad para la red neuronal, por lo que es agradecido