L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 132

 
Alexey Burnakov:
Que pouvez-vous dire d'autre ? Vous attendez les résultats ?

Qu'est-ce que je peux dire ? Si je n'ai jamais travaillé avec un réseau convolutionnel. Je ne suis pas toi sanych....

Tout ce que je peux dire, c'est que c'est intéressant...

===================

Youri Tarshecki, où a disparu votre message?

 
Youri Tarshecki:
Pourquoi est-ce nécessaire ? Si un motif a une analogie dans l'histoire, il doit lui correspondre en termes de durée. Au moins, je cherchais des sections proportionnées quand je faisais une recherche de patron.

sss

Je commence à comprendre ce concept : à partir du modèle actuel "B" dans l'historique, nous recherchons un modèle similaire à "A". En utilisant l'algorithme dtw, nous recherchons la similarité...

Ce qui est triste, c'est que nous ne savons pas quelle taille "B" et "A" pourraient avoir. et ça cause beaucoup de maux de tête,

Vous avez besoin non seulement de la recherche elle-même, mais aussi d'étendre/réduire dynamiquement ces modèles...

Si quelqu'un a des idées pour rendre cette recherche aussi efficace que possible, je serais très intéressé de les entendre...

 
mytarmailS:


Ce qui est triste, c'est que nous ne savons pas quelle taille "B" ou "A" se retrouvera dans la recherche. et il y a beaucoup de maux de tête à cause de ça,

Si quelqu'un a des suggestions sur la façon de rendre cette recherche aussi efficace que possible, j'aimerais en entendre parler...

Il n'y a donc pas de taille ici, il y a un modèle et vous devez chercher un modèle.

Personnellement, j'utilise les ratios et la séquence d'extrema à cette fin.

Bien que j'utilise également la durée d'un événement, mais pas au sens unique, mais au contraire au sens moyen. C'est-à-dire que si la durée est plus longue que la moyenne, j'augmente la probabilité d'occurrence et vice versa.

Mais il s'agit pour ainsi dire d'apprendre à partir des modèles les plus proches, et non de chercher dans l'histoire.

 
Youri Tarshecki:
Donc, il n'y a pas de taille ici, il y a un modèle et nous devrions chercher un modèle.

Comment ça ? Je ne vois pas où tu veux en venir...

Les dimensions sont là, mais nous ne les obtenons que lorsque nous trouvons les modèles "A" et "B" et si nous prenons l'image ci-dessus comme exemple, il s'avère que "B" consiste, disons, en 13 chandeliers et "A" en 53 chandeliers.

 
mytarmailS:

Comment ça ? Je ne vois pas où tu veux en venir...

Les tailles sont là, mais nous ne les obtiendrons que lorsque nous trouverons les modèles "A" et "B" et si nous prenons l'image ci-dessus comme exemple, il s'avérera que "B" consiste, disons, en 13 chandeliers et "A" en 53 chandeliers.

C'est pourquoi je corrige simplement la volatilité. Une plus grande volatilité signifie une plus grande attente de la moyenne. Et vice versa.

Mais le modèle lui-même est une certaine séquence d'extrema (comme je le perçois). C'est ainsi que l'on peut résumer la situation.

J'ai beaucoup expérimenté de telles séquences en mon temps et j'en ai conclu que seules les lois les plus simples fonctionnent, mais nous devons tenir compte à la fois des niveaux et de la durée d'existence des niveaux, de la volatilité et de la corrélation. Puis quelque chose commence à fonctionner.

Dans votre exemple, même si vous apprenez à identifier ces modèles de manière fiable, le prix n'ira pas nécessairement dans la direction de la ligne pointillée, car le modèle est trop complexe (bien qu'il soit facile de l'attraper) !

(les deux derniers sont juste une division par deux, pas un extremum, vous pouvez simplement prendre un coefficient à la place -))

 
Alexey Burnakov:
Où voulez-vous en venir, passager ? Tu ne veux pas essayer, ou faire à ta façon. Je travaille sur ma propre tâche et je suis intéressé.
Vous êtes vous-même un passager. Je n'ai pas demandé à être votre compagnon de voyage. Vous voulez obtenir des testeurs gratuits ?
 
Alexey Burnakov:

Qui a essayé ? Mes collègues et moi voulons former une convolution NS. Il y a une certaine cartographie en cours. Nous espérons.

Dans ce cas, le LSTM serait mieux adapté.

 
Youri Tarshecki:

C'est pourquoi je fais juste des ajustements pour la volatilité. Une volatilité plus élevée signifie une plus grande attente par rapport à la moyenne. Et vice versa.

Mais le modèle lui-même est une certaine séquence d'extrema (comme je le perçois). C'est ainsi que l'on peut résumer la situation.

J'ai beaucoup expérimenté de telles séquences en mon temps et j'en ai conclu que seules les lois les plus simples fonctionnent, mais nous devons tenir compte à la fois des niveaux et de la durée d'existence des niveaux, de la volatilité et de la corrélation. Puis quelque chose commence à fonctionner.

Dans votre exemple, même si vous apprenez à identifier ces modèles de manière fiable, le prix n'ira pas nécessairement dans la direction de la ligne pointillée, car le modèle est trop complexe (bien qu'il soit facile de l'attraper) !

(les deux derniers sont juste une division par deux, pas un extremum, vous pouvez juste prendre un coefficient à la place -))

Je vois votre point de vue.... mais tout votre modèle est facilement cassé par exemple par une vague en zigzag aléatoire à l'intérieur de n'importe laquelle des vagues 1...5, l'oeil humain l'ignorera, dtw aussi et donc sauvera l'image, mais votre algorithme fera immédiatement quelque chose d'autre de la "tête et des épaules"...

p.s. Je suis déjà en train d'abandonner lentement dtw car il ne répond pas à mes attentes.

 
mytarmailS:

mais votre algorithme fera immédiatement quelque chose d'autre de "tête et épaules"...

C'était donc le "pathos" de mon message. -) C'est nous, les humains, qui voyons certains symboles et signes. Mais si nous les formalisons en règles simples, elles sont

1. Pour la plupart, ils disparaîtront dans notre perception en tant que modèles reconnaissables.

2. Il s'avérera que même si nous pouvons les détecter avec plus ou moins de précision, cela ne servira absolument à rien, car les modèles complexes ne fonctionnent pas comme les gens l'attendent. La croyance en des modèles est un phénomène de la psychologie humaine. L'un des mythes du marché.

Ceci, soit dit en passant, ne supprime pas le problème de la recherche de propriétés graphiques spécifiques sur une section particulière en général - Par exemple, il peut être utile pour l'optimisation dans une force de saut.

 
Youri Tarshecki:

La croyance en des modèles est un phénomène de la psychologie humaine. L'un des mythes du marché.

L'indicateur standard "Bill Williams' Fractals" dans MT est également une recherche d'un certain modèle, et sans dtw, juste par barres. Il a très bien fonctionné à une époque, jusqu'à ce qu'il soit perdu en raison de sa popularité (sur certains symboles sur D1, il peut encore être utilisé, mais le bénéfice est minime).

Mais la stratégie de trading avec cet indicateur est plus compliquée que "acheter/vendre sur une barre". Il utilise le pending, le tp et le sl, donc en plus de chercher des modèles, nous devons chercher des stratégies de trading auxquelles ils sont applicables.