Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2651
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Sí, lo de la lista es una buena idea.
Para hacer un doble real, necesitas tipos de datos algebraicos. Todavía no he visto su implementación para R, y la optimización genética no funcionará con ellos( no está claro qué tipo de optimización funcionará con ellos en absoluto).
Bueno, sí, hay limitaciones, porque cada dígito para GP es un elemento separado en la lista, por lo que si hay muchos de ellos, entonces problemas(( , pero se puede salir de la situación como he demostrado
No sé a ti, pero a mí me fascina este algoritmo... Cómo variables simples en la parte inferior se suman a grandes expresiones complejas en la parte superior, una jerarquía, al igual que en la naturaleza....
¿En qué es mejor que el MSUA? Te puede fascinar cualquier cosa, siempre que sea buena para ti).
Bueno, es diferente.
Un poco sobre la invariancia a los eventos
Supongamos que queremos describir un patrón de cabeza y hombros (supongamos que tal patrón existe) , nuestro algoritmo mira los últimos puntos H, digamos 7 como en el ejemplo
El rectángulo verde muestra el alcance del algoritmo. Los últimos puntos H, en este ejemplo 7 trozos.
Los datos de esta forma los procesamos, los introducimos en AMO, etc., ventana deslizante, etc. Todo el mundo lo sabe...
Si describimos la regularidad por reglas, será algo así como x[1] < x[2] & x[2] > x[3] etc.....
Pero en realidad el mercado cambia, se estira/encoge, las amplitudes cambian, etc....
Esta es la realidad del mercado, y todos miramos los últimos 7 puntos y esperamos que nuestra regla x[1] < x[2] & x[2] > x[3]... funcione )).
Como puedes ver, hay un patrón, no se ha ido a ninguna parte, pero nuestro genial GPT-5 de 10 capas no verá nada ).
Conclusiones: Todos los algoritmos AMO "out of the box" trabajan con datos tabulares, es decir, todos los algoritmos buscan patrones con unión rígida a índices, no funciona....
1) Es necesario recurrir a algoritmos como las reglas asociativas, que están vinculadas a eventos y secuencias de eventos, pero no a índices.
2) Diseñar nosotros mismos las reglas adecuadas y crear modelos a partir de ellas.
3) O utilizar para AMO la representación de datos que se utiliza para algoritmos de reglas asociativas/secuencias, pero entonces el número de características será de miles de millones.
No está nada claro qué tipo de optimización funcionará con ellos
Sobre el poder de la diversificación
Supongamos que tenemos una UC que no gana muy bien, nada bien.
Esta es su curva de rendimiento.
De hecho, es un ruido aleatorio con una tendencia muy débil añadida, la tendencia es tan pequeña que no es visible a simple vista en el ruido.
Aquí está la tendencia.
Esta es una estrategia que no dejaremos operar).
Pero, ¿qué pasa si tenemos 100 de estas estrategias no correlacionadas que se negocian simultáneamente en una cuenta?
Eso no es muy bueno, ¿y si tenemos 1000 estrategias?
¿Y 100 mil estrategias?
Eso está muy bien.
¿Es posible generar tantas estrategias con MO? ....
¿A qué se refiere? Hay optimización continua que es doble y optimización discreta que es entera. ¿O es que no lo entiendo?
Allí escribí sobre tipos de datos algebraicos. Generalizan tipos de datos complejos como listas y árboles. Combinan una estructura discreta compleja y un conjunto de números reales almacenados en esta estructura (resulta ser de tamaño no fijo). En consecuencia, tenemos que combinar de algún modo la optimización discreta de la estructura y la optimización continua de los números almacenados en ella. No tengo ni idea de cómo hacerlo, al menos teóricamente.
Allí escribí sobre los tipos de datos algebraicos. Generalizan tipos de datos complejos como listas y árboles. Combinan una estructura discreta compleja y un conjunto de números reales almacenados en esta estructura (resulta ser de tamaño no fijo). En consecuencia, tenemos que combinar de algún modo la optimización discreta de la estructura y la optimización continua de los números almacenados en ella. No tengo ni idea de cómo hacerlo, al menos teóricamente.
Como programador soy un inútil, así que estoy nadando en conceptos.
¿Cómo se llama esta combinación? ¿Cómo buscarla correctamente en Google?
El poder de la diversificación
Supongamos que tenemos una TC que no gana muy bien, nada bien.
Aquí está su curva de rendimiento
De hecho, es un ruido aleatorio con una tendencia muy débil añadida, la tendencia es tan pequeña que no es visible a simple vista en el ruido.
Aquí está la tendencia.
Sí, no vamos a dejar que tal estrategia para el comercio ))
Pero, ¿y si tenemos 100 estrategias no correlacionadas que se negocian simultáneamente en una cuenta?
Bueno, eso no es muy bueno, ¿y si tenemos 1000 estrategias?
¿Y si tenemos 100.000 estrategias?
Eso está muy bien.
¿Es posible generar tantas estrategias con MO? ....
Teoría de carteras) Que no funciona bien en la práctica debido a la fuerte correlación de casi todos los instrumentos.
¿Es posible construir TS no correlacionadas a partir de instrumentos correlacionados? Lo dudo mucho.