Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1515
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
La imagen es sólo una ilustración de las fases 1 y 2.
Sí, entiendo que es sólo una imagen, pero para programar conjuntos similares, personalmente para mí, necesito una comprensión más clara de cómo se ve. Si se tiene en cuenta la altura de la barra, qué limitación debe establecerse. La altura total de este conjunto... y otros detalles son posibles.
La imagen es sólo una ilustración de las fases 1 y 2.
¿los colores de las velas están bien ahí?
solicitar este "montaje" no parece ser un problemaMe gustaría enseñar a las neuronas a verlo (más concretamente la parte que configura el 1) para resolver dos problemas:
1) sacar de él lo que ha visto, para entender "a qué se engancha" en la configuración y a través de él entender mejor lo que veo y qué características del gráfico son importantes.
2) desplazar el comercio hacia él o (una opción mínima) poner una campana.
Mi pregunta a los profesionales, por favor, aconsejar si el problema se establece correctamente y dónde ir con el fin de resolverlo.
La foto es sólo una imagen para que quede claro lo que yo llamo un montaje.
1) Sacar lo que vio de ella, entender "a qué se engancha" en el montaje y a través de eso entender mejor lo que veo y qué características de la carta son importantes.
Probablemente como resultado de pasar un año se asegurará de que después del patrón 1, el patrón 2 sucede alrededor del 50% de las veces, en el otro 50% es viceversa(doble techo, seguido de una caída y un montón de otras variaciones). La falta de señales de éxito entre los frecuentadores de esta rama lo demuestra.
El hombre ve más que esas 6 barras del patrón 1. Si puede hacerlo - mejor comerciar manualmente que gastar un año.
Me gustaría enseñar a las neuronas a verlo (más concretamente la parte que configura el 1) para resolver dos problemas:
1) sacar de él lo que ha visto, para entender "a qué se engancha" en la configuración y a través de él entender mejor lo que veo y qué características del gráfico son importantes.
2) desplazar el comercio hacia él o (una opción mínima) poner una campana.
Mi pregunta a los profesionales, por favor, aconsejar si el problema se establece correctamente y dónde ir con el fin de resolverlo.
Sólo una foto, sólo una foto para que quede claro que yo llamo al montaje.
Una de las opciones más sencillas es hacer una muestra de entrenamiento de ocho barras de entrada con una proporción de color (dirección) de 2:1:2:1:2 y una salida (objetivo) sobre cuya predicción se puede hacer el entrenamiento.
Este enfoque, por supuesto, disminuirá la eficacia del patrón, pero la probabilidad de que se observe y reconozca será mayor, y es importante para empezar a entender si hay peces en él.
Si tal variante encaja, puedo hacerlo, será turbio en las redes neuronales, pero en la resolución de árboles debería estar bien - con una lógica legible.
Es genial. Aunque es un poco ruidoso.
Sí, ahí también puedes cambiar la configuración. Soy demasiado vago.
Lo más probable es que al final sea una tontería, como cualquier predicción de vr.
Quiero enseñar la neurona para verla (más precisamente la parte que configura el 1) para resolver dos problemas:
P.D. Estoy tranquilo por el hecho de que tardaré un año o dos en solucionarlo, y más tranquilo aún por la colaboración con un profesional.
Se necesitan neuronas (MLP) y otros clasificadores (random forest, SVM, kNN, etc.) para automáticamente para buscar esos y otros patrones no triviales, Para tu problema, una simple convolución (producto escalar deslizante) será suficiente, se puede programar desde cero en una hora, y con herramientas listas en minutos, no necesitas un año.
Pero puedo decepcionarle de antemano, que la probabilidad de éxito es cercana a cero, porque todas esas estructuras simples se encuentran sin problemas por los autómatas, y si usted logró operar con ganancias, significa que además del patrón utilizó una serie de condiciones auxiliares, que probablemente son "obvias" para usted, pero sin embargo afectan significativamente el resultado. ¿Recuerdas el cuento de la "sopa de hacha"? Es lo mismo con muchas formaciones de velas en los traders manuales, parece un patrón simple, pero antes ese trader mira todas las noticias, todos los mercados, escucha los chismes y comercia o no un patrón simple)))
nadie ha entendido realmente hmm, sólo a nivel de copia tonta de librerías? ¿no se puede reescribir en mql? sólo se está lanzando al mercado todo tipo de caca de red neuronal
Por cierto, esto es lo básico. Tendré que volver a escribir un artículo.
Tal vez nunca hayas leído artículos de otros autores, excepto éste, ¿verdad? ¿De dónde sacas esas conclusiones tan generalizadoras?
Los modelos de Markov ocultos en su forma pura no son aplicables a nuestro caso. En nuestra serie temporal, el cambio de estado no se produce en cada paso de tiempo. El estado dura varios (muchos/pequeños) ciclos de reloj y con cada paso cambia la probabilidad del cambio de estado. Estos modelos de Markov se denominan modelos de Semi-Markov. En uno de misartículos apliqué estos modelos para suavizar los estados previstos de un objetivo. Es decir, se eliminaron las secuencias poco probables mediante hsmm. Algunos "académicos" de aquí se escandalizaron cuando mencionaron que el HSMM puede utilizarse para suavizar una secuencia nominal. Eso sucede.
Para ayudarte a escribir un artículo sobre este tema y traducir las matemáticas a hsmm, te adjunto la bibliografía. He trabajado a fondo. Descargue desde Dropbox enel enlace (~46MB). Los paquetes en R : mhsmm, SemiMarkov, markovchain, HiddenMarkov, hmm.discnp, HMMmlselect son sólo los que he comprobado de un vistazo.
Buena suerte en este desesperante asunto (me refiero a la traducción a MKL).
Seguramente no lees los artículos de otros autores además de este hilo y el tuyo propio? ¿De dónde sacas esas conclusiones tan generalizadoras?
Los modelos de Markov ocultos en su forma pura no son aplicables a nuestro caso. En nuestra serie temporal, el cambio de estado no se produce en cada paso de tiempo. El estado dura varios (muchos/pequeños) ciclos de reloj y con cada paso cambia la probabilidad del cambio de estado. Estos modelos de Markov se denominan modelos de Semi-Markov. En uno de mis artículos apliqué estos modelos para suavizar los estados previstos de un objetivo. Es decir, se eliminaron las secuencias poco probables mediante hsmm. Algunos "académicos" de aquí se escandalizaron cuando mencionaron que el HSMM puede utilizarse para suavizar una secuencia nominal. Eso sucede.
Para ayudarte a escribir un artículo sobre este tema y traducir las matemáticas a hsmm te adjunto la bibliografía. Es uno de los que he trabajado a fondo. Descargue desde Dropbox en el enlace(~46MB). Los paquetes en R : mhsmm, SemiMarkov, markovchain, HiddenMarkov, hmm.discnp, HMMmlselect son sólo los que he comprobado a simple vista.
Buena suerte en este caso desesperado (me refiero a la traducción a MKL).
Gracias, ya reescribí todo, pero para tareas discretas
No sé cómo hacerlo para las continuas.
se le ofreció la opción de filtrar en lugar de suavizar por parte de Mitramiles, deslizó su conjunto de datos y preguntó por qué no le funcionaba nada en la ventana de sc. He preguntado: ¿puedes entender las matemáticas de hmm, no sólo usar paquetes para entender por qué no funciona? Eso es todo lo que he preguntado.
Gracias, ya he reescrito todo, pero para tareas discretas
para las tareas continuas no he averiguado cómo.
Le sugerí que filtrara en lugar de suavizar por Mitramiles, me dio su conjunto de datos y me preguntó por qué no funcionaba en la ventana de sk. He preguntado: ¿no sabes matemáticas de hmm, y no sólo usar paquetes para entender por qué no funciona? Eso es todo lo que he preguntado.
Entonces no has visto mis posts anteriores. Me lo tomé como algo personal.
Busca en la literatura, te ayudará mucho. Hay algunos en ruso.
Buena suerte de nuevo.