Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1965
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
Corre y comercia, aprende sobre la marcha
¿Cuál es la lógica de negociación? ¿Se aprende en base a un deslizamiento en una ventana de 1,5 meses? ¿Con qué frecuencia aprende o depende de qué? ¿En qué plazo?
Sugiero hacer pruebas con estos datos, definitivamente hay un patrón allí y está claro a qué apuntar.
ps para eliminar el .txt del nombre
Red: 56,58% de respuestas correctas, 2,63 de expectativa
Bosque: 55,89% de respuestas correctas, 2,36 de expectativa
Incrementos acumulativos forestales: 55,89% de respuestas correctas, 2,36 de expectativa, resultados idénticos
Clasifica a 20 de 5 dígitos. No se tiene en cuenta el diferencial. En promedio, los resultados son los mismos, pero la cuadrícula cuenta durante 2 minutos y el bosque durante menos de un segundo.
Parece que una sesión de magia negra está en orden, aunque todavía no he probado el zigzag.
Red: 56,58% de respuestas correctas, 2,63 de expectativa
Bosque: 55,89% de respuestas correctas, 2,36 de expectativa
Clasifica a 20 de 5 dígitos. No se tiene en cuenta el diferencial. En promedio, los resultados son los mismos, pero la cuadrícula cuenta durante 2 minutos y el bosque durante menos de un segundo.
Parece una sesión de magia negra, aunque todavía no he probado el zigzag.
¿Para qué se dedica el tiempo a aprender sin diferenciar? ¿Sólo por los gráficos bonitos? Haz algo real.
No se puede. Por eso son aleatorios, porque toman columnas aleatorias para la formación. El promedio da entonces un buen resultado.
Adenda: el número de filas que intervienen en el entrenamiento también debe ponerse =1, es decir, todas para que el entrenamiento sea el mismo. Así que todo lo aleatorio del bosque aleatorio se elimina.Puedes probar a poner la fracción de columna = 1. Es decir, todas las columnas participarán en la construcción del árbol, en lugar de un 50% aleatorio de todas las columnas. Todos los árboles serán iguales, por lo que también se establece 1 árbol en el bosque. En total un bosque con un árbol está entrenado a 6, el otro a 7 nivel de profundidad.
Si se necesitan más de 2 árboles, elimine algunas columnas del conjunto de forma independiente y entrene bosques adicionales en todas las columnas restantes.
Si hay una regla de reparto fija, sin aleatoriedad, eso es lo que probablemente ocurrirá. ¿Le gustaría probarlo? No sé cómo hacer un andamio :(
15 timeframes, señales en cada barra. También los revords, pero puedes cambiarlos según las condiciones. Este EA no se entrena inicialmente, parte de una hoja en blanco para operar inmediatamente. Es decir, en principio no se puede reeducar. Se vuelve a entrenar después de cada operación, mantiene la memoria de las entradas anteriores. Se pueden añadir enlaces recurrentes. Todo está en el manual, sólo necesito entenderlo. Pronto trabajaré en ello, quiero desarrollar un análogo en tensor-flow.
¿Y cómo se implementa esta memoria? ¿Puedes explicarlo de forma sencilla?
Si hay una regla de división fija, sin aleatoriedad, eso es lo que probablemente ocurrirá. ¿Le gustaría probarlo? No sé cómo construir andamios :(
Lo he comprobado: lo hace, al menos en el andamiaje de algleb. Sólo se aleatorizan las filas y las columnas, si sus coeficientes se fijan en =1, todos los árboles serán iguales, es decir, un árbol es suficiente para no perder tiempo en el cálculo de su copia. Otros paquetes pueden aleatorizar algo más...
No quiero probarlo. Un árbol con una profundidad de 6 o 7 es suficiente para mí. Un árbol con una profundidad de 6,5 [una analogía con tu idea] no es demasiado interesante. Y perezoso, por supuesto.
¿Cómo se implementa esta memoria? ¿Puedes explicarlo de forma sencilla?
Todavía no lo entiendo.
Lo he comprobado: lo es, al menos en el bosque de algib. Sólo se aleatorizan las filas y las columnas, si sus coeficientes se fijan en =1, entonces todos los árboles son iguales, es decir, un árbol es suficiente para no perder tiempo en el cálculo de su copia. Otros paquetes pueden aleatorizar algo más...
No quiero probarlo. Un árbol con una profundidad de 6 o 7 es suficiente para mí. Un árbol con una profundidad de 6,5 [una analogía con tu idea] no es demasiado interesante. Y la pereza, por supuesto.
Ya veo. Sólo veo la penúltima división como un subespacio en el que construir un mini modelo para estudiarlo. Por supuesto, las divisiones deberían ser inteligentes, quizás desglosadas por las estadísticas de toda la muestra en lugar de la submuestra. Probablemente debería haber 3-5 divisiones y no más antes de que comience este proceso. La idea, sin embargo, es reducir el impacto de la ventaja estadística aleatoria de una división particular sobre otras alternativas.
¿Y cómo se implementa esta memoria? ¿Puedes explicarlo de forma sencilla?
Ve a python, te daré ejemplos, puedes usarlos.
No veo el sentido de discutirlo en este foro ya que RL no es un tema de entrada.