L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 415
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
Très bien, maintenant que vous êtes sur le point, je vais vous dire une pensée sur la collecte de données pour le traitement. Il est vraiment difficile de former un modèle avec un haut niveau de généralisation sur une zone suffisamment grande, parce que le marché est un organisme vivant et bla, bla, bla. Plus la période d'apprentissage est longue, plus les performances du modèle sont mauvaises, mais plus elles sont longues. Objectif : Réaliser un modèle à long terme. Split ou méthode deux, cependant pour ceux qui utilisent un comité de deux réseaux.
Nous avons trois états "Oui", "Non" et "Ne sait pas" lorsque les grilles s'affichent dans des directions différentes.
Nous entraînons le réseau sur l'ensemble de la section, dans notre cas 452 entrées. Le réseau a appris cet ensemble à 55-60%, en supposant que les réponses "Ne sait pas" dans l'ensemble de formation étaient de 50%, donc 226 signaux que le réseau ne pouvait pas apprendre. OK, maintenant nous construisons un nouveau modèle UNIQUEMENT sur les états "Ne sait pas", c'est-à-dire que nous essayons de construire le modèle sur ces quasi-états qui ont trompé le premier modèle. Le résultat est à peu près le même : sur 226, seule la moitié sera reconnue, le reste obtiendra l'état "Ne sait pas", puis on construit à nouveau le modèle. le résultat est 113, puis 56, puis 28, puis 14. Pour les 14 entrées qui ne sont connues d'aucun des modèles précédents, l'optimiseur de Jprediction calcule généralement jusqu'à 100% de généralisabilité.
Le résultat est un "système de modèles" qui reconnaît l'ensemble du marché sur une période de trois mois.
Voici une autre façon, outre le "Contexte du jour", de décomposer le marché en sous-espaces et d'effectuer un entraînement en obtenant exactement le "Système de motifs" Voici un exemple....
Une approche intéressante. Je vais devoir expérimenter... A-t-il déjà été testé, au moins en démo ? Il serait intéressant de voir le signal.
Tout ceci est hors échantillon depuis 05.29 sur 15 minutes. Il en est déjà à sa troisième semaine. Mais s'il ne gagne pas plus, alors en principe l'approche ne vaut qu'une bouchée de pain, mais je crois....... :-)
A mon avis, recycler NS une fois par semaine pendant les week-ends serait acceptable. Je pense donc qu'il est possible d'utiliser ... Vous n'avez pas besoin de vous fixer des tâches pour trader pendant 3 semaines, 3 mois, un an en profitant sans vous recycler. Et en vous recyclant une fois par semaine, votre NS sera toujours adapté aux derniers modèles du marché.
Une approche intéressante. Je vais devoir expérimenter... L'avez-vous déjà mis en service, au moins en démonstration ? Il serait intéressant de voir le signal.
A mon avis, recycler NS une fois par semaine pendant les week-ends serait acceptable. Donc je pense que nous pouvons l'utiliser... Je ne veux pas qu'il fasse des profits pendant 3 semaines, 3 mois, un an sans se recycler. Et en vous recyclant une fois par semaine, votre NS sera toujours adapté aux dernières tendances du marché.
Vous avez besoin d'un EA robuste, j'en ai fait un pour le testeur, le dernier avec de nombreux trades, c'est juste le travail de trois modèles.
J'ai fait quelques scripts qui fonctionnent selon l'algorithme de l'EA, je vais les exécuter manuellement au signal, et ensuite nous verrons...
Très bien, maintenant que vous êtes sur le point, je vais vous dire une pensée sur la collecte de données pour le traitement. Il est vraiment difficile de former un modèle avec un haut niveau de généralisation sur une zone suffisamment grande, parce que le marché est un organisme vivant et bla, bla, bla. Plus la période d'apprentissage est longue, plus les performances du modèle sont mauvaises, mais plus elles sont longues. Objectif : Réaliser un modèle à long terme. Split ou méthode deux, cependant pour ceux qui utilisent un comité de deux réseaux.
Nous avons trois états "Oui", "Non" et "Ne sait pas" lorsque les grilles s'affichent dans des directions différentes.
Nous entraînons le réseau sur l'ensemble de la section, dans notre cas 452 entrées. Le réseau a appris cet ensemble à 55-60%, en supposant que les réponses "Ne sait pas" dans l'ensemble de formation étaient de 50%, donc 226 signaux que le réseau ne pouvait pas apprendre. Ok, maintenant nous construisons un nouveau modèle UNIQUEMENT sur les états "Don't know", c'est-à-dire que nous essayons de construire le modèle sur ces quasi-états qui ont trompé le premier modèle. Le résultat est à peu près le même : sur 226, seule la moitié sera reconnue, le reste obtiendra l'état "Ne sait pas", puis on construit à nouveau le modèle. le résultat est 113, puis 56, puis 28, puis 14. Pour les 14 entrées qui ne sont connues d'aucun des modèles précédents, l'optimiseur de Jprediction calcule généralement jusqu'à 100% de généralisabilité.
Le résultat est un "système de modèles" qui reconnaît l'ensemble du marché sur une période de trois mois.
Voici une autre façon en plus du "Contexte du jour" Comment vous pouvez décomposer le marché en sous-espaces et produire de la formation en obtenant exactement un "Système de motifs" Voici un exemple.....
------------------------------------------------------------
Cette méthode est appelée "boosting" - Leboosting est une procédure de construction séquentielle d'une composition d'algorithmes d'apprentissage automatique où chaque algorithme successif tente de compenser les déficiences de la composition de tous les algorithmes précédents. Leboosting est un algorithme avide pour construire une composition d'algorithmes.
L'application récente la plus connue est XGBoost.
Bonne chance
Sélection de prédicteurs avec LASSO
Oui, cet algorithme n'a pas besoin de supprimer les variables fortement corrélées. Il les gère bien tout seul.
Je l'ai utilisé il y a longtemps, à l'époque où la régression était intéressante.
Bonne chance
Dr. Trader:
Oui, pas tant que ça, avec de tels résultats, vous feriez mieux d'adopter le paradigme, "l'essentiel n'est pas de gagner, mais de participer", j'ai en fait perdu mon compte, probablement pas consciemment, par honte aussi, d'entre nous comme Wizard a donné de l'espoir, mais a également sorti du chemin, ne pouvait pas résister à la pression de la concurrence. Il faut peut-être admettre qu'il existe des spécialistes bien meilleurs que nous (des centaines, des milliers de fois...), ils ont étudié à Harvard et utilisent des superordinateurs.
Les spécialistes sont bien meilleurs que nous (des centaines, des milliers de fois...), ils ont étudié à Harvard et utilisent des superordinateurs.
pas des milliers de fois... si vous regardez le prix de la première place, le champion est seulement 1000 / 2,09 = 478,47 fois meilleur que moi.
pas en milliers... si vous regardez le prix de la première place, le champion est meilleur que moi de seulement 1000 / 2.09 = 478.47 fois
Un paiement en 478,47 fois, mais sur le rendement cumulé il ya des mecs pour 10000 $ qui est plus de 3000 fois mieux que vous, un espoir pour Wizard, mais je pense qu'il a honte de discuter de ce sujet désagréable.
Ennuyeux...... :-( Vous vous entraînez, vous vous entraînez, vous choisissez des modèles, vous travaillez pour ainsi dire. Mais que faites-vous lorsque le modèle est construit et qu'il ne vous reste plus qu'à travailler sur le site ....... ?
Ennuyeux...... :-( Vous vous entraînez, vous vous entraînez, vous choisissez des modèles, vous travaillez pour ainsi dire. Mais que faites-vous lorsqu'un modèle est construit et qu'il ne vous reste plus qu'à travailler sur lui....... ?
Cela arrive rarement, il vaut mieux aller se reposer quelque part jusqu'à ce que votre cerveau proteste et commence à exiger d'écrire du code, la Thaïlande, l'Indonésie, les Maldives par exemple.