L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 380
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
et la prévision sera "Hourra !"
À propos, on dit que "OUI" est une bonne prévision tant que la volatilité est faible.
Comment puis-je voir le code ?
Je peux voir le code ?
Suivez le lien de la page précédente.
Je ne comprends rien.
Il existe un graphique de stratégie et un graphique d'achat et de maintien. Où se trouve legraphique EURUSD ?
Je ne comprends rien.
Il existe un graphique de stratégie et un graphique d'achat et de maintien. Où se trouve le graphiqueEURUSD ?
Excusez-moi, je suis passé au message suivant et j'ai trouvé le graphique suivant.
Matériel très intéressant.
Ce qui manque, ce sont des tests qui justifient l'applicabilité des fonctions pertinentes.
Je ne sais pas comment le mettre en mql, mais c'est trop compliqué. J'ai acheté un manuel de collège avec Garch dedans et maintenant je le lis).
Le MoD est toujours un modèle prêt à l'emploi et significatif. Parfois, c'est tellement significatif que vous ne savez même pas comment ça marche. Voici un article sur le gradient boosting par exemplehttps://habrahabr.ru/company/ods/blog/327250/ Il y a un article, il y a des descriptions et des formules, mais je n'ai pas pu réaliser mon souhait de le transférer dans mql, c'est trop compliqué.
Le problème est légèrement différent, non pas dans sa signification, mais dans sa spécialisation étroite.
Arima et Garch travaillent directement avec les prix, sans indicateurs ni AT. Ils disposent d'un algorithme intégré pour transformer une série de prix en un vecteur stationnaire, et il existe même des subtilités telles que la correction des prédictions en fonction des erreurs précédentes (composante MA). Mais en même temps, ils sont inutiles pour d'autres données (non liées aux prix), ces modèles ne peuvent pas classer des photos par exemple.
Si nous transmettons une série chronologique de prix au réseau neuronal pour l'entraînement, celui-ci ne cherchera pas les composantes d'autocorrélation, de saisonnalité et de tendance du prix - le réseau neuronal n'est pas capable de le faire. Il se souviendra simplement de ce qui lui a été donné, et pour les nouvelles données dans le test ou dans le trading réel, il se "souviendra" des vecteurs de prix similaires du passé, et tradera comme avant, mais dans le Forex, cela signifie un inconvénient.
Neuronka a besoin d'aide pour prévoir le prix - tout d'abord, trouvez les indicateurs qui, comme Arima, peuvent détecter l'autocorrélation, la tendance et la saisonnalité, et transférez les valeurs de ces indicateurs au neuronka. Alors il aura au moins une petite chance d'être comparable à arima et garch.
Une autre chose importante est qu'arima fait des prédictions basées sur le temps. Il se souvient clairement de l'ordre dans lequel les prix sont arrivés et utilise une fenêtre glissante dans ses prévisions en prenant les derniers prix et en faisant des prévisions sur cette base. Contrairement à la neuronique, qui travaille avec l'ensemble du tableau d'entraînement en une seule fois sans aucune idée de l'ordre dans lequel les prix sont arrivés.
Le MoD est toujours un modèle prêt à l'emploi et significatif. Parfois, c'est tellement significatif que vous ne savez même pas comment ça marche. Voici un article sur le gradient boosting par exemplehttps://habrahabr.ru/company/ods/blog/327250/ Il y a un article, il y a des descriptions et des formules, mais mon désir de le transférer dans mql je n'ai pas pu le réaliser, c'est trop compliqué.
C'est un peu différent, pas dans le sens, mais dans la spécialisation étroite.
Arima, Garch - travaillent directement avec les prix, sans indicateurs ni TA. À cette fin, ils disposent d'un algorithme intégré pour transformer une série de prix en un vecteur stationnaire, et il existe même des subtilités telles que la correction des prédictions en fonction des erreurs précédentes (composante MA). Mais en même temps, ils sont inutiles pour d'autres données (pas les prix), ces modèles ne peuvent pas classer les photos par exemple.
Si nous transmettons une série chronologique de prix au réseau neuronal pour l'entraînement, celui-ci ne cherchera pas les composantes d'autocorrélation, de saisonnalité et de tendance du prix - le réseau neuronal n'est pas capable de le faire. Il se souviendra simplement de ce qui lui a été donné, et pour les nouvelles données dans le test ou dans le trading réel, il se "souviendra" des vecteurs de prix similaires du passé, et tradera comme avant, mais dans le Forex, cela signifie un inconvénient.
Neuronka doit être aidé dans la prévision du prix - il doit d'abord trouver les indicateurs qui, comme Arima, peuvent détecter l'autocorrélation, la tendance et la saisonnalité, et transférer les valeurs de ces indicateurs au neuronka. Alors il aura au moins une petite chance d'être comparable à arima et garch.
Une autre chose importante est qu'arima fait des prédictions basées sur le temps. Il se souvient clairement de l'ordre dans lequel les prix sont arrivés et utilise une fenêtre glissante dans ses prévisions en prenant les derniers prix et en faisant des prévisions sur cette base. Contrairement à la neuronique qui travaille avec l'ensemble de la table d'entraînement en même temps et n'a aucune idée de l'ordre dans lequel les prix sont arrivés.
MO n'est pas un modèle fini et significatif, c'est un processus :) et garch est un modèle. Comment peut-on même les comparer :)
Je suis bien au courant de tout ce qui se passe, j'arrivais à un semblant de garch avant même de savoir qu'il existait. Et ce que fait la neuronique. Cela fait longtemps que je construis mon modèle réfléchi :) combien de temps, environ 2 semaines. Tous ces articles sont pour la plupart des inepties, d'ailleurs... pour l'éducation générale, c'est intéressant à lire.
Et d'ailleurs, la complexité du système sur le marché des changes ne caractérise en rien son efficacité...Comment peut-on même les comparer :)
Le mode opératoire comprend toujours une sorte de modèle, et prend presque toujours un modèle fonctionnel éprouvé. Par exemple, la neuronique ou le boosting de gradient, tant d'efforts et de temps ont été investis dans leur création (des décennies d'évolution des algorithmes) qu'ils peuvent être encore plus significatifs que l'arima.
Le mode opératoire inclut toujours une sorte de modèle, et prend presque toujours un modèle fonctionnel et éprouvé. Par exemple, la neuronique ou le boosting de gradient, tant d'efforts et de temps ont été investis dans leur création (des décennies d'évolution des algorithmes) qu'ils peuvent être encore plus significatifs que l'arima.
De quel modèle s'agit-il - régression ou classification :) C'est tout ce que la neuronique peut faire
Le MoD est toujours un modèle prêt à l'emploi et significatif. Parfois, c'est tellement significatif que vous ne savez même pas comment ça marche. Voici un article sur le gradient boosting par exemplehttps://habrahabr.ru/company/ods/blog/327250/ Il y a un article, il y a des descriptions et des formules, mais mon désir de le transférer en mql je n'ai pas pu le réaliser, c'est trop compliqué.
C'est un peu différent, pas dans le sens, mais dans la spécialisation étroite.
Arima, Garch - travaillent directement avec les prix, sans indicateurs ni TA. À cette fin, ils disposent d'un algorithme intégré pour transformer une série de prix en un vecteur stationnaire, et il existe même des subtilités telles que la correction des prédictions en fonction des erreurs précédentes (composante MA). Mais en même temps, ils sont inutiles pour d'autres données (non liées aux prix), ces modèles ne peuvent pas classer les photos par exemple.
Si nous transmettons une série chronologique de prix au réseau neuronal pour l'entraînement, celui-ci ne cherchera pas les composantes d'autocorrélation, de saisonnalité et de tendance du prix - le réseau neuronal n'est pas capable de le faire. Il se souviendra simplement de ce qui lui a été donné, et pour les nouvelles données dans le test ou dans le trading réel, il se "souviendra" des vecteurs de prix similaires du passé, et tradera comme avant, mais dans le Forex, cela signifie un inconvénient.
Neuronka a besoin d'aide pour prévoir le prix - tout d'abord, trouvez les indicateurs qui, comme Arima, peuvent détecter l'autocorrélation, la tendance et la saisonnalité, et transférez les valeurs de ces indicateurs au neuronka. Alors il aura au moins une petite chance d'être comparable à arima et garch.
Une autre chose importante est qu'arima fait des prédictions basées sur le temps. Il se souvient clairement de l'ordre dans lequel les prix sont arrivés et utilise une fenêtre glissante dans ses prévisions en prenant les derniers prix et en faisant des prévisions sur cette base. Contrairement à la neuronique qui travaille avec toute la table d'entraînement en même temps et n'a aucune idée de l'ordre dans lequel les prix sont arrivés.
+++