L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 112
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Si c'est le cas, j'en suis heureux, c'est beaucoup mieux.
Quoi qu'il en soit, le fronttest montre un bien meilleur résultat. J'ai divisé votre fichier en 2 parties (sans mélange, juste dans l'ordre), la première partie a 50 lignes, la seconde 19. Donc jPrediction n'a pas accès aux exemples du second fichier, et ce sera vraiment de nouvelles données pour le modèle.
Au final, sur le second dossier, JPrediction n'a donné une réponse que dans 9 cas. Correct dans 5 cas, faux dans 4. La précision est d'environ 50%, rien de bon dans ce résultat.
Tout est bon sauf une broutille : il n'y a pas de comparaison avec d'autres modèles.
Je propose mes services à titre de comparaison
1. Vous préparez un fichier Excel d'entrée contenant les prédicteurs et la variable cible.
2. Vous faites le calcul
3. Vous m'envoyez le fichier d'entrée.
4. Je fais les calculs en utilisant randomforest, ada, SVM
Comparaison.
Qu'allez-vous comparer ?
Randomforest, Ada et SVM sont des classificateurs binaires, tandis que jPrediction est ternaire.
Avez-vous de l'expérience et un critère adéquat pour comparer les classifieurs binaires avec les ternaires ?
Si vous êtes si impatient, jPrediction est en accès libre, y compris les sources. J'ai déjà posté les instructions pour le faire. Les modèles y sont créés de manière triviale (ne le dites à personne) : en appuyant sur une seule touche - F8. Vous pouvez jouer avec les chiffres à votre guise avec un visage intelligent. Mais sans ma participation. Après tout, il est peu probable que tu aies besoin de mon aide pour appuyer sur une seule touche, car j'espère que tes parents t'ont déjà autorisé à utiliser l'ordinateur tout seul ?
Mais seulement sans ma participation.
C'est dommage.
Bonne chance, cycliste.
Qu'allez-vous comparer ?
Randomforest, Ada et SVM sont des classificateurs binaires, tandis que jPrediction est ternaire.
Avez-vous de l'expérience et un critère adéquat pour comparer les classificateurs binaires avec les classificateurs ternaires ?
Si vous y tenez tant, sachez que jPrediction est dans le domaine public, y compris le code source. J'ai déjà posté les instructions pour le faire. Les modèles y sont créés de manière triviale (ne le dites à personne) : en appuyant sur une seule touche - F8. Vous pouvez jouer avec les chiffres à votre guise avec un visage intelligent. Mais sans ma participation. Après tout, pour appuyer sur une touche, mon aide ne sera probablement pas nécessaire, car j'espère vraiment que vos parents vous permettent déjà d'utiliser l'ordinateur par vous-même ?
Si vous voulez une réponse univoque sans regarder les données et les algorithmes.....
Merci pour votre réponse complète et compréhensible.
Oui, je parle de la même chose. Ils ne peuvent pas comprendre que la formation aux NS est un art, et que le choix du bon modèle est basé sur de nombreuses années d'expérience et un certain sentiment que c'est le bon. Mais non, nos maîtres veulent des résultats non ambigus. Au fait, à propos de l'unicité. C'est une chose assez intéressante lorsqu'un modèle est formé de manière non ambiguë et sans ambiguïté. Et voici une idée que j'ai. Je vais écrire à LS....
Nous ne sommes pas coryphées - nous faisons partie de la majorité, dont les membres veulent les mêmes résultats à l'avenir qu'aujourd'hui. C'est le sujet de ce fil de discussion.
Et les artistes, les prêtres de l'art, ils sont ensemble avec les mash-ups.
Nous ne sommes pas coryphées - nous faisons partie de la majorité, dont les membres veulent les mêmes résultats à l'avenir qu'aujourd'hui. C'est le sujet de ce fil de discussion.
Et les artistes, les prêtres de l'art, ils sont avec les mash-ups.
Je vais vous montrer le script dans lequel j'ai réalisé l'indicateur avec auto-tuning de la période et comment j'ai entraîné le modèle,
Le script est divisé en deux parties, la première crée une feuille avec les périodes objectives et les données, la seconde ouvre cette feuille et entraîne le modèle.
Je ne suis pas un programmeur, si quelqu'un est intéressé, je répondrai aux questions,
1) tous les chemins dans les scripts doivent être changés en vos propres chemins...
2) n'essayez pas de vérifier le modèle de la manière habituelle en comparant l'objectif avec les nouvelles données avec prévision, cette approche ne fonctionne pas, vous devez alimenter les données dans le programme d'analyse technique et là, simuler la négociation avec des arrêts, jusqu'à présent, je suis profondément convaincu que c'est la seule façon objective de tester le modèle.
3) J'ai entraîné le modèle environ 15 fois, dont seulement 3 ou 4 fois le modèle a montré une petite perte sur les nouvelles données, je le considère entre guillemets comme un résultat "stable" et digne d'attention et de développement ultérieur.
Au total, 50 000 données ont été utilisées pour l'entraînement sur 20 000 et 30 000 ont servi de test sur de nouvelles données.
4) les citations sont les mêmes que les miennes que vous pouvez télécharger sur le site de finamhttps://www.finam.ru/profile/mosbirzha-fyuchersy/rts/export/?market=14&em=17455&code=SPFB.RTS&apply=0&df=18&mf=7&yf=2016&from=18.08.2016&dt=18&mt=7&yt=2016&to=18.08.2016&p=7&f=SPFB.RTS_160818_160818&e=.txt&cn=SPFB.RTS&dtf=1&tmf=1&MSOR=1&mstime=on&mstimever=1&sep=1&sep2=1&datf=1&at=1
parce qu'en raison de la bizarrerie de ce forum, je ne peux pas joindre mes citations.
comme il semblehttp://prntscr.com/c776d3
Ou vous pouvez utiliser votre propre cotation à partir de Metatrader.
111 va créer une date.
222 forme déjà un modèle à cette date
Je pense que je comprends pourquoi l'exemple de Michael pourrait fonctionner. La force de jPrediction ne réside pas dans la classification (une précision de 50 % sur de nouvelles données revient à jouer à pile ou face), mais dans le fait qu'il ne fait aucune prédiction si les modèles du comité donnent des réponses différentes. La stratégie de Michael fonctionne uniquement parce qu'il ne négocie pas dans des moments de marché aussi peu clairs, lorsque les deux modèles ne peuvent pas donner la même réponse. Peu importe la prédiction que fait la jPrediction, il y aura de toute façon 50% d'erreur, tant que vous ne traitez pas lorsque la jPrediction refuse de faire une prédiction. Il choisit ensuite le sens de la transaction (achat/vente) en fonction de la séquence. Il s'avère que jPredictor fonctionne comme un détecteur de situation trop chaotique sur le marché, lorsqu'il est préférable de ne pas négocier, une application très intéressante.
J'ai essayé une approche similaire avec mes données. J'ai plus de 2 modèles dans mon comité. Je n'ai pas pu obtenir une réponse unanime de leur part, mais si j'échange quand au moins 80% des modèles sont d'accord avec la réponse, le résultat est meilleur.
Je pense que je comprends pourquoi l'exemple de Michael pourrait fonctionner. La force de jPrediction ne réside pas dans la classification (une précision de 50 % sur de nouvelles données revient à jouer à pile ou face), mais dans le fait qu'il ne fait aucune prédiction si les modèles du comité donnent des réponses différentes. La stratégie de Michael fonctionne uniquement parce qu'il ne négocie pas dans des moments de marché aussi peu clairs, lorsque les deux modèles ne peuvent pas donner la même réponse. Peu importe la prédiction de la jPrediction, il y aura de toute façon 50% d'erreur, tant que vous ne traitez pas lorsque la jPrediction refuse de faire une prédiction. Il choisit ensuite le sens de la transaction (achat/vente) en fonction de la séquence. Il s'avère que jPredictor fonctionne comme un détecteur d'une situation trop chaotique sur le marché, lorsqu'il est préférable de ne pas négocier, une application très intéressante.
J'ai essayé une approche similaire avec mes données. J'ai plus de 2 modèles dans mon comité. Je n'ai pas obtenu de réponse unanime de leur part, mais si je négocie lorsqu'au moins 80 % des modèles sont d'accord avec la réponse, j'obtiens de meilleurs résultats.