Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 3226
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
¿Quizá deberíamos intentar resolver el problema de generar nuevos datos mediante aproximación?
Tomar una ventana e intentar describir en ella una serie numérica con diferente precisión, mientras que este enfoque permitirá preservar globalmente la dinámica del movimiento de los precios, incluso teniendo en cuenta las fluctuaciones diarias.
Además, bastará con guardar la historia en forma de coeficientes de aproximación.
Suena bien. Cuando miro los artículos sobre el tema de la investigación IDC, casi inmediatamente empiezo a dudar de sus enfoques, si hay una búsqueda de regularidades bajo el supuesto de que son las veinticuatro horas del día.
dependencia con una longitud de 1000 ticks
Y 5. 000 ticks, además de eso.
Con ticks tal elección de ventana es extraña. Lo lógico es enlazar con marcas de tiempo, no con índices de ticks.
Foro sobre negociación, sistemas de negociación automatizados y prueba de estrategias de negociación
Aprendizaje automático en negociación: teoría, modelos, práctica y negociación de algoritmos
fxsaber, 2023.09.09 04:40 pm
Hay un error en este sitio: debería ser time_msc. Pero no tiene ningún efecto sobre los resultados después del post.
dependencia con una longitud de 1000 ticks
https://disk.yandex.ru/d/6F8FdUGthpnk3A
.
Fíjese en lo diferentes que son las curvas en el intervalo de la muestra (entre las líneas azules).
Foro sobre trading, sistemas de trading automatizados y prueba de estrategias de trading
Aprendizaje automático en el trading: teoría, modelos, práctica y algo-trading
fxsaber, 2023.09.10 07:38 AM
Esto sugiere que se obtienen conjuntos de parámetros distantes en lugar de cercanos. Si en términos de una función objetivo ruidoso, se obtienen resultados cerca de diferentes colinas.
Está claro que si no se interrumpe el AG, sino que se espera hasta la finalización, se encontrará un pico. Y las 20 mejores pasadas serán a partir de ahí - Las curvas de muestra serán casi las mismas. Esto no sirve de nada.
Si no se interrumpe el AG, sino que se espera a que termine, se encontrará un pico. Y los 20 mejores pases serán de allí - Muestra-curvas serán casi los mismos.
He comprobado esta afirmación en el mismo VDC sin interrumpir el GA.
Se ve bien que hay conjuntos disímiles entre estos 20. Más bien, esto sugiere que el AG regular no ha hecho su trabajo. Más concretamente, se interrumpió a sí mismo al colocar los resultados de diferentes picos entre los 20 primeros.
Suena bien. Cuando miro artículos sobre el tema de la investigación de tsvr, casi inmediatamente empiezo a dudar de sus enfoques si hay una búsqueda de patrones asumiendo que son las veinticuatro horas del día.
Bueno, te puedo decir que no para todos los predictores una división de tiempo dará un sesgo de probabilidad significativa, al menos para mí. Así que tiendo a pensar que el tiempo es un factor significativo, pero otros factores más significativos pueden afectar al resultado si están en fase activa.
También creo que en la ventana puede simplemente tomar una rejilla de cuantificación diferente para el precio, con un gran número de intervalos (para la preservación más precisa de la estructura), y probar en tal "señal comprimida" - ya tendrá desviaciones. También puede utilizar un número reducido de intervalos más ruido aleatorio en el intervalo de referencia entre dos intervalos.
Incluso puedes fijar la rejilla y almacenar sólo la desviación para la primera referencia. Entonces ocupará poco espacio y la transformación será rápida.Y con una longitud de 5k, para rematar
https://disk.yandex.ru/d/1ypCrzYKk82XdA
Parece que un gráfico de optimización puede mostrar lo difícil que es el proceso de búsqueda. Así que aquí vamos.
Bueno, puedo decir que no para todos los predictores una división temporal dará un sesgo significativo en la probabilidad, al menos para mí. Así que tiendo a pensar que el tiempo es un factor significativo, pero otros factores más significativos pueden afectar el resultado si están en la fase activa.
También creo que en la ventana puede simplemente tomar una rejilla de cuantificación diferente para el precio, con un gran número de intervalos (para la preservación más precisa de la estructura), y probar en tal "señal comprimida" - ya tendrá desviaciones. También puede utilizar un número reducido de intervalos más ruido aleatorio en el intervalo de referencia entre dos intervalos.
Incluso puedes fijar la rejilla y almacenar sólo la desviación para la primera referencia. Entonces ocupará poco espacio y la transformación será rápida.Por desgracia, todo esto son hipótesis que requieren implementación y pruebas.
@Maxim Dmitrievsky está probando sus variantes, yo estoy probando las mías.Parece que un gráfico de optimización puede mostrar el grado de dificultad del proceso de búsqueda. Así que aquí vamos.
Gráfico de búsqueda de un patrón en la serie original.
Honestamente, no veo una diferencia notable. Este gráfico no parece decirnos nada interesante.
Desgraciadamente, todo esto son hipótesis que requieren realización y prueba.
@Maxim Dmitrievsky está probando sus opciones, yo estoy probando las mías.Sí, por supuesto, todo enfoque necesita pruebas.....
Aquí hay otro método de Python para generar series temporales a partir de una muestra.
El tema es interesante, pero aún no puedo dedicarle suficiente tiempo.