Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1892
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! Todavía no he encontrado una buena razón para pasar por todos los tipos de AMO si la "brecha" en la calidad del reconocimiento entre todos ellos es inferior al 5%. Evidentemente, a todos ellos les falta información (rasgos) para un conocimiento más profundo (mejor clasificación ) del objeto, así que sí, empecé a trabajar exclusivamente en los rasgos y las formas de presentar la información.
Por cierto hay un paquete interesante en python sobre la generación automática de característicasfeaturetools, lamentablemente no logré ejecutarlo en R-ka, algunos problemas con python en mí))) Échale un vistazo, creo que es algo interesante.
¿Y qué tipo de predictores has añadido?
Todavía no he llegado a python y R - muy poco tiempo :(
Me pregunto qué tipo de predictores puedo obtener con un canal de regresión. Tengo un coeficiente, número de repeticiones del vector de construcción del canal, fijando los puntos en los que el precio cruza las fronteras del canal.
¿Y quién sabe cómo se calcula el canal de regresión en MT5, si su punto final se extiende más allá de la fecha actual, es decir, hacia el futuro?
Todo es posible )
featuretools, lamentablemente nunca logré ejecutarlo en R, tengo algunos problemas con python)) Échale un vistazo, creo que es algo interesante.
¿piensa o está probado? ¿qué tiene de interesante?
In [12]: feature_matrix_customers Out[12]: zip_code COUNT(sessions) NUM_UNIQUE(sessions.device) MODE(sessions.device) SUM(transactions.amount) STD(transactions.amount) MAX(transactions.amount) SKEW(transactions.amount) MIN(transactions.amount) MEAN(transactions.importe) COUNT(transactions) NUM_UNIQUE(transactions.product_id ) MODE(transactions.product_id) DAY(date_of_birth) DAY(join_date) YEAR(date_of_birth) YEAR(join_date) MONTH(date_of_birth) MONTH(join_date) WEEKDAY(date_of_birth) WEEKDAY(join_date) SUM(sessions.SKEW(transactions.amount)) SUM(sessions.NUM_UNIQUE(transactions.product_id)) SUM(sessions.MAX(transactions.amount)) SUM(sessions.MIN(transactions.amount)) SUM(sessions.STD(transactions.amount)) SUM(sessions.MEAN(transactions.amount)) STD(sessions.SKEW(transactions.amount)) STD(sessions.NUM_UNIQUE(transactions.product_id)) STD(sessions.MAX(transactions.amount)) STD(sessions.SUM(transactions.amount)) STD(sessions.COUNT(transactions)) STD(sessions.MIN(transactions.amount)) STD(sessions.MEAN(transactions.amount)) MAX(sessions.SKEW(transactions.amount)) MAX(sessions.NUM_UNIQUE(transactions.product_id)) MAX(sesiones.SUM(transacciones.importe)) MAX(sessions.COUNT(transactions)) MAX(sesiones.MIN(transacciones.importe)) MAX(sessions.STD(transactions.amount)) MAX(sessions.MEAN(transactions.amount)) SKEW(sessions.NUM_UNIQUE(transactions.product_id)) SKEW(sessions.MAX(transactions.amount)) SKEW(sessions.SUM(transactions.amount)) SKEW(sessions.COUNT(transactions)) SKEW(sessions.MIN(transactions.amount)) SKEW(sessions.STD(transactions.amount)) SKEW(sessions.MEAN(transactions.amount)) MIN(sessions.SKEW(transactions.amount)) MIN(sessions.NUM_UNIQUE(transactions.product_id)) MIN(sesiones.MAX(transacciones.importe)) MIN(sessions.SUM(transactions.amount)) MIN(sessions.COUNT(transactions)) MIN(sessions.STD(transactions.amount)) MIN(sessions.MEAN(transactions.amount)) MEAN(sessions.SKEW(transactions.amount)) MEAN(sessions.NUM_UNIQUE(transactions.product_id)) MEAN(sessions.MAX(transactions.amount)) MEDIA(sesiones.SUMA(importe de las transacciones)) MEAN(sessions.COUNT(transactions)) MEDIA(sesiones.MIN(cantidad de transacciones)) MEAN(sessions.STD(transactions.amount)) MEAN(sessions.MEAN(transactions.amount)) NUM_UNIQUE(sessions.MODE(transactions.product_id)) NUM_UNIQUE(sessions.DAY(session_start)) NUM_UNIQUE(sessions.WEEKDAY(session_start)) NUM_UNIQUE(sessions.YEAR(session_start)) NUM_UNIQUE(sessions.MONTH(session_start)) MODE(sessions.MODE(transactions.product_id)) MODE(sessions.DAY(session_start)) MODE(sessions.WEEKDAY(session_start)) MODE(sessions.YEAR(session_start)) MODE(sessions.MONTH(session_start)) NUM_UNIQUE(transactions.sessions.device) NUM_UNIQUE(transactions.sessions.customer_id) MODE(transactions.sessions.device) MODE(transactions.sessions.customer_id) customer_id 1 60091 8 3 mobile 9025.62 40.442059 139.43 0.019698 5.81 71.631905 126 5 4 18 17 1994 2011 7 4 0 6 -0.476122 40 1057.97 78.59 312.745952 582.193117 0.589386 0.000000 7.322191 279.510713 4.062019 6.954507 13.759314 0.640252 5 1613.93 25 26.36 46.905665 88.755625 0.000000 -0.780493 0.778170 1.946018 2.440005 -0.312355 -0.424949 -1.038434 5 118.90 809,97 12 30,450261 50,623125 -0,059515 5,000000 132,246250 1128,202500 15,750000 9,823750 39,093244 72,774140 4 1 1 4 1 2 2014 1 3 1 móvil 1 2 13244 7 3 escritorio 7200.28 37.705178 146.81 0.098259 8.73 77.422366 93 5 4 18 15 1986 2012 8 4 0 6 -0.277640 35 931.63 154.60 258.700528 548.905851 0.509798 0.000000 17.221593 251.609234 3.450328 15.874374 11.477071 0.755711 5 1320.64 18 56.46 47.935920 96.581000 0.000000 -1.539467 -0.440929 -0.303276 2.154929 0.013087 0.235296 -0.763603 5 100.04 634,84 8 27,839228 61,910000 -0,039663 5,000000 133,090000 1028,611429 13,285714 22,085714 36,957218 78,415122 4 1 1 1 1 3 1 2 2014 1 3 1 3 13244 6 3 escritorio 6236.62 43.683296 149.15 0.418230 5.89 67.060430 93 5 1 21 13 2003 2011 11 8 4 5 2.286086 29 847.63 66.21 257.299895 405.237462 0.429374 0.408248 10.724241 219.021420 2.428992 5.424407 11.174282 0.854976 5 1477.97 18 20.06 50.110120 82.109444 -2.449490 -0.941078 2.246479 -1.507217 1.000771 -0.245703 0.678544 -0.289466 4 126.74 889,21 11 35,704680 55,579412 0,381014 4,833333 141,271667 1039,436667 15,500000 11,035000 42,883316 67,539577 4 1 1 1 1 2 2014 1 3 1 escritorio 3 60091 8 3 móvil 8727.68 45.068765 149.95 -0.036348 5.73 80.070459 109 5 2 15 8 2006 2011 8 4 1 4 0.002764 37 1157.99 131.51 356.125829 649.657515 0.387884 0.517549 3.514421 235.992478 3.335416 16.960575 13.027258 0.382868 5 1351.46 18 54.83 54.293903 110.450000 -0.644061 0.027256 -0.391805 0.282488 2.103510 -1.065663 1.980948 -0,711744 4 139,20 771,68 10 29,026424 70,638182 0,000346 4,625000 144,748750 1090,960000 13,625000 16,438750 44,515729 81,207189 5 1 1 1 1 2 2014 1 3 1 móvil 4 5 60091 6 3 móvil 634966 44.095630 149.02 -0.025941 7.55 80.375443 79 5 5 28 17 1984 2010 7 7 5 5 0.014384 30 839.76 86.49 259.873954 472.231119 0.415426 0.000000 7.928001 402.775486 3.600926 4.961414 11.007471 0.602209 5 1700.67 18 20.65 51.149250 94.481667 0.000000 -0.333796 0.472342 -0.317685 -0.470410 0.204548 0.335175 -0.539060 5 128.51 543.18 8 36.734681 66.666667 0.002397 5.000000 139.960000 1058.276667 13.166667 14.415000 43.312326 78.705187 5 1 1 1 3 1 2
Estoy pensando, ¿qué tipo de predictores podemos encontrar con un canal de regresión?
Llegué a la conclusión de que es mejor no pensar y no inventar, sino escribir una especie de algoritmo de reescritura que sintetice los rasgos y los compruebe, si el rasgo es bueno entonces déjalo, si es malo entonces deséchalo, así puedes pasar por millones de opciones, es claramente más eficiente que la invención humana.
Después podemos mejorar y modificar las buenas señales, luego otra vez, otra vez y así hasta que el error baje...
Me inspiré en los escritos de Ivakhnenko y en el método MSUA. Me gusta la filosofía del método en sí.
¿piensa o está probado? ¿qué es lo que interesa ahí?
escribí que no podía ejecutar el paquete, cómo puedo probar nada si ni siquiera lo he tocado, he leído la documentación, hay algunos trucos, tiene sentido probarlo, pero no lo he probado por las razones descritas anteriormente
no puedes encontrar el medio, el std y el mod por ti mismo.
Para cualquier serie tailandesa, es justo lo que necesitas. Así no tienes que hacerlo a mano.
Esto debe ser puesto en el LSTM, que se han mencionado aquí
no puedes encontrar el medio, la norma y la moda por ti mismo.
no es todo tan primitivo, leer más
Pero al final tendrás que escribir tu propio sintetizador de características, por supuesto
No es todo tan primitivo, lea más.
Ya casi he terminado con mi bot! las pruebas se harán pronto
cuántos impulsos de geomoro hubo que superar¡Ya casi he terminado con mi bot! ¡Las pruebas están por llegar!
espera)
Lleva tres años operando con neuronas. Hablé con él personalmente. Lleva gestionando cuentas de al menos 100.000.000. Abre su perfil y verás todas sus cuentas. Lo ha conseguido. Así que tú también lo harás. Si no lo haces ahora, lo conseguirás más adelante. No te rindas).
Lo hizo, y lleva tres años operando con una cuenta demo ).
Lo consiguió y por eso lleva tres años operando en una cuenta demo ).
ahí lo tienes.
se han cargado la ilusión de hacerse rico...