Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1640
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
No quiero volver a Renko, ya he perdido el tiempo con él, no sólo pierde por completo la información de OHLC, sino que además se produce un desfase de dos alturas de ladrillo de Renko - se retrasa mucho
Probablemente ocurra lo mismo con ZigZag, pero no he tratado con él directamente.
De OHLC, sólo O se identifica de forma inequívoca inmediatamente cuando llega el tick correspondiente. En realidad, sin embargo, la apertura puede perderse cuando hay un retraso en el procesamiento de los ticks anteriores.
No hay perfección en el mundo)
De OHLC, sólo O se identifica de forma inequívoca inmediatamente a la llegada del tick correspondiente. En realidad, sin embargo, la apertura puede perderse cuando hay un retraso en el procesamiento de los ticks anteriores.
No hay perfección en el mundo)
Todo es muy complicado aquí
Muchos participantes trabajan con los precios de apertura y cierre de la barra, y hay tanto indicadores triviales como complejos modelos y manipulaciones de los que cotizan los precios
Los precios máximos y mínimos tienen sentido a partir de la creación de canales, ZigZags y desgloses de máximos históricos (min), análisis gráfico, así como settaps y patrones - estos también tienen sentido
y estos métodos de los abuelos todavía se utilizan en el comercio, sé con certeza que los estadounidenses utilizan activamente el análisis gráfico - me comuniqué con ellos hace varios años.... Pero también saben que no funciona ))))
El problema suele estar en los propios participantes en el mercado, que interfieren constantemente en la serie de precios ideal.
Las fluctuaciones de la volatilidad de la sesión pueden eliminarse cambiando a un zigzag o renko, ¿verdad? Por supuesto, la estructura de tiempo natural se verá afectada, pero es posible introducir el tiempo normal como un conjunto de indicadores para cada rodilla/ladrillo.
He recurrido al zigzag... Pero desde principios de marzo simplemente no son comparables a lo que eran antes de marzo. Si antes se podía construir una rodilla durante media hora o una hora, se puede hacer en 5 minutos debido a la alta volatilidad con los mismos parámetros. Así que no tiene sentido entrenar con los datos antes de marzo. Ahora todo es diferente.
Todavía deberíamos pensar en algo universal para la alta y la baja volatilidad.
Tal vez algo parecido a una ola. Las olas se han mantenido, sólo se han hecho más anchas.
Lo he buscado en Google, pero aún así voy a preguntar
¿qué tipos de redes neuronales pueden utilizarse como sistema de gestión de objetos?
Al menos para este ejemplo: el NS debe dar una respuesta que abra una orden en la dirección deseada y fije el valor de la toma y el stop loss, es decir, 3 parámetros de control (compra/venta + tp + sl)
ES: aprendizaje por refuerzo
https://github.com/EliteQuant/EliteQuant#quantitative-model
RU: aprendizaje por refuerzo
https://www.mql5.com/ru/search#!keyword=%D0%BF%D0%BE%D0%B4%D0%BA%D1%80%D0%B5%D0%BF%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%D0%BC
aunque si el conjunto de parámetros es fijo, así como sus valores, parece una clasificación normalLo he buscado en Google, pero aún así voy a preguntar
¿qué tipos de redes neuronales pueden utilizarse como sistema de gestión de objetos?
Sólo como ejemplo: NS debe dar una respuesta que abrirá una orden en la dirección requerida y establecerá el valor de la toma y el stop loss, es decir, 3 parámetros de control (compra/venta + tp + sl)
¡Qué problema estás tratando de resolver!
Este es el plan:
1. Hacer una red que adivine la dirección del movimiento de los precios en un momento determinado.
2. si tienes P.1, haz una red que adivine la dirección de forma dinámica, es decir, que dé la dirección y el tiempo en el que está más seguro.
3. si tienes el punto 2, haz una red que adivine la dirección y la fuerza del movimiento.
4. si tienes el punto 3, haz una red que adivine la dirección y la fuerza + el tiempo del movimiento.
Después de eso vaya a sus 3 parámetros.
ES: aprendizaje por refuerzo
https://github.com/EliteQuant/EliteQuant#quantitative-model
RU: aprendizaje por refuerzo
https://www.mql5.com/ru/search#!keyword=%D0%BF%D0%BE%D0%B4%D0%BA%D1%80%D0%B5%D0%BF%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%D0%BC
aunque si el conjunto de parámetros es fijo, así como sus valores, entonces parece una clasificación normalel entrenamiento con refuerzo ya no quiere, estaba consiguiendo un probador de GA aleatorio más eficaz para usar, al menos el delantero pasa el TS encontrado por la genética mejor que el entrenamiento con refuerzo
Gracias por el git, lo investigaré
¡Menuda tarea la que está tratando de resolver!
Este es el plan:
1. Crear una red que adivine la dirección del movimiento de los precios después de un tiempo determinado.
2. Si has conseguido el paso 1, haz una red que adivine la dirección de forma dinámica, es decir, que dé la dirección y la hora en la que está más seguro.
3. si tienes el punto 2, haz una red que adivine la dirección y la fuerza del movimiento.
4. si tienes el punto 3, haz una red que adivine la dirección y la fuerza + el tiempo del movimiento.
Después de eso, vaya a sus 3 parámetros.
es una red RNN o un perceptrón multicapa convencional lo hace bien
la tarea consiste simplemente en controlar el objeto - busque en google neurocontrol, también puede leer la terminología en la wiki y buscar en google después
es una red RNN o un perceptrón multicapa convencional que lo hace bien
el reto está justo en la gestión de los objetos - googlea neurocontrol, puedes leer la terminología en la misma wiki y buscar más en Google
No soy un experto, pero a primera vista este enfoque para los mercados es poco probable que produzca algo más que NARX. Y este modelo parece ser siempre implementable a través de RNN. Y la completitud de Turing de la RNN también contribuye a su suficiencia.
Artículo sobre la equivalencia NARX y RNN.
No soy un experto, pero a primera vista este enfoque para los mercados es poco probable que produzca algo más que NARX. Y este modelo parece ser siempre implementable a través de RNN. Y la exhaustividad de la RNN de Turing también contribuye a su suficiencia.
He buscado en Google, según mis observaciones debería utilizar RBF-net.
OK, voy a preguntar más específicamente: hay una cartera de TS primitivas que son probadas hacia adelante, cada TS está limitada en el tiempo dentro de un día y las TS pueden superponerse en el tiempo - usted necesita"algo que tratará de volver a ejecutar la cartera" en función de los datos de entrada - OHLC
simplemente optimizar una cartera por fuerza bruta en la genética del probador puede.... pero quiero algo de inteligencia)))
He buscado en Google, según mis observaciones debería utilizar la red RBF
Bien, lo preguntaré más concretamente: hay una cartera de TS primitivas que se someten a pruebas a posteriori, cada TS está limitada en el tiempo dentro de un día y las TS pueden solaparse en el tiempo - necesito"algo que intente enumerar la cartera" en función de los datos de entrada - OHLC
simplemente optimizar una cartera por fuerza bruta en la genética del probador puede.... pero quiero algo de inteligencia ))))
La tarea parece no estar del todo formalizada: el conjunto de parámetros no está claro. ¿El conjunto completo de sistemas es finito, contable o continuo? ¿La cartera tiene un tamaño fijo? ¿El sistema se incluye en la cartera con algunas ponderaciones o simplemente sí/no?