L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 407
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
Enfin, le modèle a été calculé et ajouté au modèle existant. La rentabilité a augmenté comme jamais auparavant, sur la même zone hors échantillon la rentabilité est de 12,65%.
Cependant, il semble que la charge sur le dépôt ne soit pas minime, mais elle est supportable. J'ai optimisé l'exemple du premier post, mais je ne forcerai pas la machine si elle ne calcule pas rapidement. Bien qu'il n'y ait pas beaucoup de colonnes, mais il y a beaucoup de lignes, alors voyons...
Voici le rapport. Le ratio de transactions est assez intéressant, mais le drawdown est un peu élevé..... c'est une question de goût...
Enfin, le modèle a été calculé et ajouté au modèle existant. La rentabilité a augmenté comme jamais auparavant, sur la même zone hors échantillon la rentabilité est de 12,65%.
Cependant, il semble que la charge sur le dépôt ne soit pas minime, mais elle est supportable. J'ai optimisé l'exemple du premier post, mais je ne forcerai pas la machine si elle ne calcule pas rapidement. Bien que j'aie peu de colonnes, il y a trop de lignes, alors voyons comment cela se passe...
Essayez d'obtenir plus de contrats pour estimer le résultat... Plus ils sont nombreux, plus vous comprendrez rapidement, en situation réelle, quand le modèle doit être réentraîné. Par exemple, mon estimation est maintenant la suivante : sur les résultats des tests, la série de pertes maximale est de 2 transactions, et s'il y a 4 pertes consécutives sur une transaction réelle, le modèle doit être recyclé. En moyenne 400/60 = 6-7 affaires par jour, c'est-à-dire qu'en un jour seulement nous pouvons comprendre si cela vaut la peine de se recycler.
J'ai jusqu'à présent effectué 400 transactions en 3 mois, sur une échelle de temps de 15 minutes. J'ai un échantillon d'entraînement de 1 mois (au milieu), à droite et à gauche il y a un mois hors échantillon. Lot spécialement soulevé pour la beauté. Solde initial de 1000 $ :) Je n'ai pas encore fait de réapprentissage automatique pour l'ensemble de l'historique, je devrais porter J-predictor pour cela ou utiliser un autre neuronet, car les poids sont choisis par l'optimiseur maintenant.
Et l'on peut constater que 90 % des transactions sont rentables, mais que la moyenne des transactions perdantes est plus importante, car le stoploss moyen est plus grand que le take profit moyen. La série rentable maximale comporte 33 profits successifs, contre seulement 2 trades perdants successifs, mais le profit total de 33 trades n'est que 4 fois supérieur à la perte totale de 2 trades (le stop loss devrait être raccourci). Je ne gagne pas plus d'argent en février avec ces paramètres.
S'il ne calcule pas l'exemple depuis le premier message jusqu'au soir, je l'élimine. En outre, le problème lui-même est dénué de sens et d'intérêt pratique. Je ne veux pas faire la course avec l'ordinateur pendant vingt-quatre heures juste pour le plaisir. Ressource après tout...
Vous serez contrôlé sur le site de validation ou d'essai ? Si vous calculez sur un fichier complet, vous pouvez vérifier sur le fichier de validation à partir du poste https://www.mql5.com/ru/forum/86386/page4#comment_2530392.
J'ai expérimenté un peu avec le RNN et il semble qu'il ne se souvienne que des exemples de formation (important en conjonction avec les prédicteurs de bruit) et sur les nouvelles données, les prédicteurs de bruit gâchent le résultat. C'est-à-dire que le RNN est enclin au sur-apprentissage. Au moins pour les problèmes logiques où 0 et 1.
Mais il est possible que les moyennes entre 0 et 1 interpolent assez bien.
Allez-vous tester sur une parcelle de validation ou d'essai ? Si vous comptez sur le fichier complet, vous pouvez vérifier le fichier de validation à partir du post https://www.mql5.com/ru/forum/86386/page4#comment_2530392.
J'ai expérimenté un peu avec le RNN et il semble qu'il ne se souvienne que des exemples de formation (important en conjonction avec les prédicteurs de bruit) et sur les nouvelles données, les prédicteurs de bruit gâchent le résultat. C'est-à-dire que le RNN est enclin au sur-apprentissage. Au moins pour les problèmes logiques où 0 et 1.
Mais il est possible que les valeurs moyennes entre 0 et 1 s'interpolent assez bien.
J'ai exécuté tout le fichier, nous allons voir le résultat de l'apprentissage, je posterai le modèle ici plus tard, et vous pourrez le vérifier pour validation plus tard..... C'est ça...
Allez-vous vérifier la validation ou la parcelle de test ? Si vous comptez sur un fichier complet, alors vous pouvez vérifier le fichier de validation à partir du post https://www.mql5.com/ru/forum/86386/page4#comment_2530392.
J'ai fait quelques expériences avec le RNN et il semble qu'il ne se souvienne que des exemples de formation (important en conjonction avec les prédicteurs de bruit) et sur les nouvelles données, les prédicteurs de bruit gâchent le résultat. C'est-à-dire que le RNN est enclin au sur-apprentissage. Au moins pour les problèmes logiques où 0 et 1.
Mais il est possible que les moyennes entre 0 et 1 interpolent assez bien.
Qu'est-ce que vous appelez le surentraînement ? Et comment déterminez-vous les prédicteurs qui sont du bruit et ceux qui ne le sont pas ? Pourquoi pensez-vous que les prédicteurs bruyants gâchent le résultat et que les prédicteurs importants n'ont pas cessé de fonctionner ? Il n'existe pratiquement aucun prédicteur important sur le marché qui fonctionnera éternellement.
Les RNN en général doivent être traités d'une manière spécifique - créer une série stationnaire et prendre des signaux à partir des extrema, en espérant un renversement.
parce que toute formation est un ajustement, bien qu'avec un sens non linéaire en quelque sorte...
Avez-vous comparé les performances de différents modèles de MO, pourquoi s'arrêter aux arbres de décision ? C'est avec eux que j'obtiens le moins d'erreurs, j'en ai parlé plus haut.
Les arbres, ainsi que les autres MO ont des avantages et des inconvénients, et je me suis arrêté à cette méthode pour le problème du premier post, par le principe de suffisance raisonnable, elle est précise et rapide tant dans le code résultant, que dans la génération récursive.
Bien que, pour éviter de troller dans ce fil, il semble que vous auriez dû faire une énorme forêt avec quelques bootstrap ou des arbres améliorés à l'infini avec quelques boosting, et décrire et décrire chaque étape...).
J'essaie de vous faire entendre raison, à vous et aux autres qui se sont égarés.
Les décisions sont prises par l'homme, pas par les arbres, arrêtez de barboter.
Un homme doit évaluer la situation et comprendre l'environnement dans lequel lui et sa famille vivent.
Le monde se développe très rapidement de nos jours, et l'environnement de l'information, un grand champ dans lequel vous pouvez trouver n'importe qui.
Vous coupez simplement une partie de votre vue d'ensemble stratégique et perdez la vue de ce qui se passe, ce qui vous fait courir des risques inutiles en tant que protecteur masculin.