¿Hay algún patrón en el caos? ¡Intentemos encontrarlo! Aprendizaje automático a partir de una muestra concreta. - página 28

 
RomFil #:

He añadido una columna: "1" comprar, "-1" vender. Creo que lo hice bien, pero no lo comprobé ... :) Vago.

En el gráfico sin spread ni comisión este es el resultado en puntos:

Resultados: PR=157488 +trades=778 -trades=18 (beneficio, número de operaciones positivas y negativas)

Spread de 0,00050:


Resultados: PR=117688 +trades=629 -trades=167

Diferencial a 0,00100:

PR=77888 +trades=427 -trades=369

Spread a 200:


PR=-1712 +trades=241 -trades=555

¡Enhorabuena por tu superoscilador!

Obtuve tales resultados teniendo en cuenta Target_P (señales que no coinciden en la dirección se excluyen) - Estoy confundido por las fluctuaciones en el principio y luego un crecimiento tan rápido.

¡Si no hay ningún error en su código, puede considerarse millonario!

¿Puede decirme cuál es el secreto? Entiendo que se trata esencialmente de un polinomio que de alguna manera has llevado a los límites de un oscilador.

 
Aleksey Vyazmikin #:

¡Enhorabuena por su superoscilador!

Obtuve tales resultados teniendo en cuenta Target_P (se excluyen las señales que no coinciden en dirección) - es confuso, sin embargo, que fluctúa al principio y luego crece tan rápidamente.

Si no hay ningún error en tu código, ¡puedes considerarte millonario!

¿Puede decirme cuál es el secreto? Entiendo que se trata esencialmente de un polinomio que has llevado de alguna manera a los límites de un oscilador.

Casi no hay secretos. Te he dicho todo lo anterior. No hay polinomios.

Te daré algunas pistas:

1) Objetivo. Debe determinarse por sí mismo, es decir, debes filtrar los datos de tal forma que el beneficio potencial se maximice tanto en movimientos fuertes como planos. Yo solía utilizar la ondícula Dobeshi para la descomposición de las series e incluso diré que es la variante más correcta (aunque ahora he encontrado una que consume menos recursos). Lo más importante en el filtrado es no hacerlo "sobre la marcha" y excluir al menos un 10-20% de datos en los bordes de la traza de la muestra. Es necesario eliminar los datos de los bordes para excluir los efectos de borde.

2) Oscilador. Realmente puede ser el más sencillo. Por ejemplo, el totalmente olvidado RVI ... :) Sólo se debe seleccionar el período correcto.

3) Pero lo más importante son las redes neuronales "correctas" y el algoritmo de su aplicación ... :) Incluyendo la correcta interpretación del resultado de las redes neuronales.


El error en el código puede ser sólo en el momento de la aparición de la señal (aunque ya he comprobado ocho veces y no encontró ningún error), pero incluso si la aparición de la señal se desplaza hacia la derecha (es decir, para hacer un retraso artificial de la señal por 1-2 pasos), también hay un beneficio - menos que el inicial, por supuesto, pero las condiciones iniciales desde el primer post son grandes.

 
RomFil #:

Apenas hay secretos. Te lo dije todo arriba. No hay polinomios.

Escribiré una serie de pistas:

1) Objetivo. Debe determinarse por sí mismo, es decir, debes filtrar los datos para que el beneficio potencial sea máximo tanto en movimientos fuertes como planos. Yo solía utilizar la ondícula Dobeshi para la descomposición de las series e incluso diré que es la variante más correcta (aunque ahora he encontrado una que consume menos recursos). Lo más importante en el filtrado es no hacerlo "sobre la marcha" y excluir al menos un 10-20% de datos en los bordes de la traza de la muestra. Es necesario eliminar los datos de los bordes para excluir los efectos de borde.

2) Oscilador. Realmente puede ser el más sencillo. Por ejemplo, el totalmente olvidado RVI ... :) Sólo se debe seleccionar el período correcto.

3) Pero lo más importante son las redes neuronales "correctas" y el algoritmo de su aplicación ... :) Incluyendo la correcta interpretación del resultado de las redes neuronales.


El error en el código puede ser sólo en el momento de la aparición de la señal (aunque ya he comprobado ocho veces y no encontró ningún error), pero incluso si la aparición de la señal se desplaza hacia la derecha (es decir, para hacer un retraso artificial de la señal en 1-2 pasos), también hay un beneficio - menos de la inicial, por supuesto, pero las condiciones iniciales desde el primer post son grandes.

La primera pista - se trata de mis datos, así que vamos a saltar por ahora.

La segunda pista - Me pregunto - ¿ha utilizado el tren de muestra?

Tercera pista - y aquí no entiendo - ¿por qué tantas redes neuronales? ¿Qué le das a la entrada, retornos o qué?

 
Aleksey Vyazmikin #:

Primera pista, se trata de mis datos, así que nos lo saltaremos por ahora.

Segunda pista: me pregunto si has tomado muestras.

Tercera pista - y aquí no entiendo - ¿por qué tantas redes neuronales? ¿Qué le das a la entrada, retornos o qué?

2) Sí, sólo la muestra del tren está sobreexplotada, porque se considera que la muestra del tren y la muestra de prueba son el resultado de un mismo proceso. Si los procesos son diferentes, naturalmente no se obtendrá nada.

3) Es muy sencillo. ¿Has hecho alguna vez genética?

Pues cuando la genética trabaja para resolver una ecuación con diez variables, por ejemplo, se puede obtener el mismo resultado (muy parecido) con variables diferentes. Con las redes neuronales pasa lo mismo. Crea y entrena dos redes neuronales con las mismas muestras y luego mira el error de estas redes y sus coeficientes de peso. ¡Serán diferentes!

Además, para diferentes partes de los gráficos se necesitan diferentes profundidades de muestras alimentadas a la entrada de las redes neuronales. Es decir, las redes neuronales con distintas profundidades de muestreo tienen distinta precisión en distintas partes del gráfico. Así pues, el comité "adecuado" permite responder correctamente sobre toda la longitud de las muestras. Y, sobre todo, que sea la propia comisión la que determine esta corrección. Tal vez esto ya es los rudimentos de la IA ... :)

 
RomFil #:

3) Es muy sencillo. ¿Has hecho alguna vez genética?

Pues cuando la genética trabaja para resolver una ecuación con diez variables, por ejemplo, se puede obtener el mismo resultado (muy parecido) con variables diferentes. Con las redes neuronales pasa lo mismo. Crea y entrena dos redes neuronales con las mismas muestras y luego mira el error de estas redes y sus coeficientes de peso. ¡Serán diferentes!

Además, para diferentes partes de los gráficos se necesitan diferentes profundidades de muestras alimentadas a la entrada de las redes neuronales. Es decir, las redes neuronales con distintas profundidades de muestreo tienen distinta precisión en distintas partes del gráfico. Por lo tanto, el comité "correcto" permite responder correctamente sobre toda la longitud de las muestras. Y, sobre todo, que sea la propia comisión la que determine esta corrección. Tal vez esto ya es los rudimentos de la IA ... :)

Me estás confundiendo - No puedo entender, ¿tienes una fórmula oscilador con coeficientes libres, que se seleccionan a través de la genética? ¿Es la genética implementada en una red neuronal (no sé acerca de tal variante)?

Está claro, pero ¿cómo lo recogió y distribuir coeficientes - en tren o en otra muestra?

¿Entiendo correctamente que la entrada son valores puros con alguna sangría o incluso ventanas enteras, pero de diferentes tamaños en diferentes redes?

 
Aleksey Vyazmikin #:

Usted me está confundiendo - No puedo entender, ¿tiene una fórmula oscilador con coeficientes libres, que se seleccionan a través de la genética? ¿Es la genética implementada en una red neuronal (No sé acerca de esta opción)?

Está claro, pero ¿cómo lo recogió y distribuir coeficientes - en tren o en otra muestra?

¿Entiendo correctamente que la entrada son valores puros con alguna sangría o incluso ventanas enteras, pero de diferentes tamaños en diferentes redes?

La genética es habitual, sin red neuronal (para ser honesto genética en la red neuronal también es desconocido para mí).

Todo se determina sólo en una muestra de trenes. El propio comité determina todos los coeficientes.

Sí, valores casi puros, diferentes profundidades, diferentes ventanas, etc.

 
RomFil #:

La genética es común, sin neurosets (para ser honesto genética en neurosets también es desconocido para mí).

Todo se determina sólo en una muestra de trenes. El propio comité determina todos los coeficientes.

Sí, valores casi puros, diferentes profundidades, diferentes ventanas, etc.

Antes se mencionaba el oscilador como una imagen colectiva que no se aplica en la realidad...

 
Aleksey Vyazmikin #:

¿Se mencionó anteriormente el oscilador como una imagen colectiva no aplicada en la realidad?

No, el oscilador no es una imagen colectiva, sino una realidad (colocada en el sótano):


El oscilador real en sí + puntos es la previsión. Los puntos aparecen en los primeros ticks de una nueva barra. Pero la aparición de un punto no es una señal a un acuerdo - es sólo una advertencia. Más adelante se analiza el movimiento del precio y sólo entonces se toma la decisión sobre el acuerdo. Por cierto, este gráfico también muestra una parada (marca roja), que en el 98-99% de los casos no se rompe a través de - es una defensa contra las fluctuaciones bruscas. Esta es la señal para comprar en realidad ... :)

 
RomFil #:

No, el oscilador no es una imagen colectiva, es real (colocado en el sótano):


El oscilador en sí + puntos es una previsión. Los puntos aparecen en los primeros ticks de una nueva barra. Pero la aparición de un punto no es una señal a un acuerdo - es sólo una advertencia. Más adelante se analiza el movimiento del precio y sólo entonces se toma la decisión sobre el acuerdo. Por cierto, este gráfico también muestra una parada (marca roja), que en el 98-99% de los casos no se rompe a través de - es una defensa contra las fluctuaciones bruscas. Esta es la señal para comprar en realidad ... :)

Bueno, esto es puramente su sistema, y no tiene nada que ver con los datos que he dado, porque usted no utiliza otros datos para el análisis?

Estoy adjuntando un archivo - por favor, aplicar en él el modelo que ha entrenado previamente - Estoy interesado en el resultado.

Archivos adjuntos:
 
¿Así que tu genética es responsable de los datos que se introducen en las entradas de la red? ¿Y los propios datos son el sesgo de la serie temporal?