Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 42
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
¡Hola!
Tengo dos preguntas para usted
1) con respecto a las redes recurrentes de la página anterior, tiré el paquete "rnn" es realmente una especie de extraño y mal concebido y cambió a "RSNNS" tomó la red "Elman" arrojó los datos todo funcionóNo entiendo dónde y cómo establecer "hasta dónde se recuerda la red en el pasado" en "rnn", donde inmediatamente se vio que cada variable se transformaba en una matriz con un número. columnas correspondían al tamaño de la memoria de la red, pero no he encontrado tal parámetro en"RSNNS", pero es imposible que no estuviera allí ya que la esencia de la red recurrente está exactamente en ella.
2) ¿Qué debo buscar en"rminer"? Si te refieres a algo como "arima" entonces no funcionará.
He intentado escribir un clasificador de este tipo para hacer previsiones de varios pasos, pero he fracasado, los resultados eran extraños, en primer lugar la calidad bajaba (es normal porque la previsión no está en la 5ª o 10ª vela), la anticorrelación seguía presente aunque menos pronunciada, pero el truco es que no conseguía la anticipaciónParece que la inversión del indicador ha sido la misma que la del mercado, es decir, he obtenido algo de peor calidad, pero no entiendo por qué ha ocurrido así..
Buen día.
1. La red Elman, al igual que la red Jordan, sólo recuerda el paso anterior. Para tener en cuenta muchos pasos anteriores, es necesario encadenar las RNN, lo que se denomina LSTM. Este artículo describe estas redes con bastante lucidez. Desgraciadamente están implementados en Python. Pero eso no es un problema, ¿verdad? Python y R están perfectamente integrados.
2. Rminer tiene la función lforecast - Realiza previsiones de varios pasos utilizando iterativamente las predicciones de 1 hora de antelación como entradas . Hablando de predicciones de varios pasos, ¿te refieres por supuesto a la regresión?
Buena suerte
Conclusión: Es necesario tomar cada atributo y extraer algo útil de él. Tengo algunas ideas sobre cómo hacerlo, pero antes me gustaría escuchar sus pensamientos, ideas y sugerencias sobre el tema
Sólo se puede extraer algo de una característica utilizando datos históricos. Cuando entra una nueva barra, el signo debe predecir algo y para que lo haga, debe tener capacidad de predicción. La capacidad de predicción es cierta potencia de un rasgo, es cuando algunos valores de un rasgo predicen una clase y otros valores de un rasgo predicen otra clase. Ya he dado un ejemplo de esa capacidad de predicción. Objetivo: "hombres/mujeres". Rasgo: "ropa". Si el atributo sólo tiene dos valores: pantalones/faldas, entonces en una sociedad musulmana dicho atributo con estos valores predice inequívocamente la clase. Pero en la sociedad no musulmana, existe la ropa unisex, además de un gran número de otras denominaciones.
Por lo tanto, el problema de determinar la capacidad de predicción del atributo ropa para una variable objetivo que tiene dos valores de clase masculina/femenina se formula de la siguiente manera: ¿qué porcentaje de valores del atributo ropa predecirá de forma única el sexo masculino y qué porcentaje predecirá el sexo femenino? Si se trata de una sociedad occidental y toda la ropa es unisex, entonces el atributo "ropa" no tiene poder predictivo. En una sociedad musulmana, el rasgo de la vestimenta tendría una muy buena capacidad de predicción. Si hacemos nuestro ejemplo más real introduciendo la edad.... obtendremos una capacidad de predicción más real. Será específico y esa capacidad de predicción determinará el error de predicción.
Es decir, de la capacidad de predicción del predictor se deriva el error de predicción, y si el modelo elegido se ajusta al problema en cuestión, ese error depende poco de la elección del modelo.
De ideas y sugerencias.
Los he expresado muchas veces en este hilo y en este foro. La principal dificultad es que mi punto sobre el "poder de predicción" aún no se entiende.
De las herramientas que di un enlace a un artículo yDr.Trader trató de aplicar, pero sin éxito. Atribuyo la negatividad de su resultado a la especificidad de su conjunto de características: un gran número de características que tienen poco valor. Se trata de un conjunto de características muy específicas para Forex. En forex cualquier atributo puede tener miles de valores, y el suyo puede tener docenas.
Los he expresado muchas veces en este hilo y en este foro. La principal dificultad es que mi punto de vista sobre la "capacidad de predicción" aún no se entiende.
¿Tal vez porque este punto de vista no está respaldado ni por las pruebas ni por los resultados de las mismas? :)
En general, ¿por qué estos kilométrica iluminación, la cuestión era cómo obtener útil de los atributos, no cómo seleccionar los rasgos, estas son cosas diferentes y aquí su referencia a un artículo en general para colocar ...
¿Tal vez porque este punto de vista no está respaldado ni por las pruebas ni por los resultados de las mismas? :)
En general, por qué estas iluminaciones kilométricas, la pregunta era cómo obtener rasgos útiles de ellos, no cómo seleccionar los rasgos, estas son cosas diferentes y aquí su referencia a un artículo en general no encajan nadie ...
Hay que escribir una enciclopedia kilométrica. En resumen: un rasgo es un todo y no se puede sacar nada de él. Puede determinar si el rasgo completo encaja o no.
PS.
Hago una selección personalizada de rasgos que tienen poder predictivo. Al utilizar los rasgos que se seleccionan con mi algoritmo, obtengo modelos sin reentrenamiento.
Hay que escribir un libreto kilométrico. En pocas palabras: un rasgo es un todo y no se puede sacar nada de él. Puede determinar si el rasgo completo encaja o no.
PS.
Selecciono de forma personalizada las características que tienen poder de predicción. Usando las características seleccionadas con mi algoritmo, obtengo modelos sin reentrenamiento.
Vaya, genial... ...¿quieres decirme los resultados concretos de tu modelo no entrenado? ¿O también se "saltará" este tema como con su robot que "parece que funciona" y "parece que gana"?
Y Sanych, ¿quieres parar ya?
Hace tiempo que entendí todo...
Esto no es bueno en relación con otros participantes que te leen y luego pasan su tiempo en el camino a ninguna parte
Vaya, genial... ¿tal vez nos diga algunos resultados concretos de su modelo no entrenado? ¿O vas a seguir hablando de ello como hiciste con tu robot ?
Y Sanych, ¿quieres parar ya?
Hace tiempo que entendí todo...
Esto no es bueno en relación con otros jugadores que te leen y luego pasan su tiempo en el camino a ninguna parte, por decirlo suavemente.
Pensemos en cómo trabaja un trader profesional(recuerden que sigo exagerando :)) que sólo tiene dos señales - niveles e indicador "RSI" Y hay un sistema de comercio en el que una operación de venta suena así: si el nivel se rompe al alza y el RSI es mayor que 0,9, entonces vende...
¿Qué es un sistema de trading? En este caso, el sistema de trading actúa como un filtro de datos, un filtro que no deja que el trader entre en el ruido, y la proporción de ruido en este ejemplo con el RSI no es una broma del 95% porque el RSI va de -1 a 1, y el trader sólo necesita que >0,9 ese 5% ...
Funcionará si tomamos una docena de indicadores con una docena de rezagos diferentes. Pero hay que determinar qué indicadores utilizar y con qué desfases. Para empezar, tome un gran conjunto de ellos, seleccione algunos de ellos mediante algunas reglas y la suma de todos estos cientos de predictores finales le dará una oportunidad real de predecir el futuro. Tome un modelo de bosque aleatorio, aliméntelo con datos y construya un árbol de decisión. Por ejemplo, si rsi[20] > 0,4, y ma(16)[20] > 1,2, etc. - entonces es una compra. Y si el rsi < 0.1 entonces está vendiendo. Puede ver un ejemplo de cómo es el bosque aquíhttp://www.intuit.ru/studies/courses/6/6/lecture/174 . En general, el bosque le dará los atributos con valores y umbrales útiles para decenas de indicadores.
Hay una sutileza que el bosque tiende a aprender en exceso. Si junto con los predictores útiles alimentas al bosque con basura, el bosque la añadirá a su lógica. Y según la regla "la basura que entra lleva a la basura que sale", cualquier previsión del modelo basada en la basura de los datos del fronttest será aleatoria e inútil. Siempre hay que tenerlo en cuenta a la hora de seleccionar los predictores, y hacer validaciones cruzadas para probar el modelo.
No es agradable, por no decir otra cosa, para otros miembros que te leen y luego pierden su tiempo caminando por el camino a ninguna parte
Estoy totalmente de acuerdo con lo que SanSanych ha escrito aquí, te recomiendo que lo escuches. Aprendí mucho de él, lo comprobé y tomé nota.