L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 417

 
Mihail Marchukajtes:

c'est en fait la réponse... bla, bla, bla.... et aucun résultat.....

postez votre rapport de trading, il y aura un résultat et il sera positif, alors parlez sérieusement...

 
Ivan Negreshniy:

postez votre rapport de négociation, il y aura un résultat et s'il est positif, alors peut-être une conversation sérieuse.


quel genre de conversation ????? je ne comprends pas..... je vous ai proposé de construire un modèle pour une tâche différente du forex mais non moins rentable, et vous me parlez de trading..... étrange !!!!

 
Mihail Marchukajtes:

quelle conversation ????? je ne comprends pas..... j'ai proposé de construire un modèle pour une tâche différente du forex, mais pas moins rentable, et vous me parlez de trading..... étrange !!!!

si vous me proposez une tâche non moins rentable que le forex, alors j'ai le droit de savoir à quel point votre forex est rentable, qu'y a-t-il d'étrange ?

 
Ivan Negreshniy:

Si vous me proposez une tâche non moins rentable que le forex, j'ai le droit de savoir à quel point le forex est rentable, qu'y a-t-il de si étrange ?


qu'est-ce que le forex a à voir avec quoi que ce soit ???? sur le forex lisez mes posts précédents ou l'article..... je ne parle pas du forex....

 
Mihail Marchukajtes:

Quel est le rapport avec le forex ???? lisez mes messages précédents ou l'article..... je ne parle pas du forex....

est allé lire...
 
elibrarius:
il suffit de sélectionner initialement le type de réseau par type de sortie, sans avoir besoin de réécrire quoi que ce soit (et toutes les couches internes sont câblées comme non linéaires).
Par exemple, j'ai formé un MLP puis je l'ai recyclé... il est recyclé, sans erreur, mais peut-être que ce n'est pas correct et qu'un nouvel objet réseau devrait être créé... Ou il est en quelque sorte recyclé à cet endroit et n'est pas recyclé à nouveau... encore une fois, il n'y a rien à ce sujet dans l'aide, et j'ai la flemme de fouiller dans le code et de regarder).
 
Maxim Dmitrievsky:
Disons que j'ai formé un MLP et que je le ré-entraîne... il se ré-entraîne, sans erreur, mais peut-être que c'est une erreur et qu'un nouvel objet réseau devrait être créé... Ou bien il est ré-entraîné d'une manière ou d'une autre à cet endroit et n'est pas ré-entraîné... encore une fois, il n'y a rien à ce sujet dans l'aide, mais c'est un peu paresseux de creuser dans le code et de regarder là).
Si vous vous réentraînez, il n'y aura pas d'erreur (ce n'est pas un réentraînement, car les coefficients seront réinitialisés) et vous trouverez simplement une nouvelle combinaison de ceux-ci.
 
Maxim Dmitrievsky:
Je n'ai pas encore expérimenté le réentraînement du même réseau créé dans alglib... Disons que j'ai formé un MLP et que je le réentraîne ensuite... il est réentraîné, sans erreur, mais il se peut que ce ne soit pas correct et qu'il faille créer un nouvel objet réseau... Ou bien il est réentraîné d'une manière ou d'une autre et n'est pas réentraîné... Encore une fois, il n'y a rien à ce sujet dans l'aide, mais c'est un peu paresseux de creuser et de chercher du code là-bas...)

Une approche très intéressante et vieille comme le monde. Nous nous entraînons quelques fois, obtenons les résultats, puis entraînons à nouveau le réseau sur les données de quelques autres réseaux. Une sorte d'apprentissage profond d'un format différent.... D'ailleurs, cette approche est bonne...

 
Mihail Marchukajtes:

Une approche très intéressante et vieille comme le monde. Effectuez un entraînement, obtenez les résultats, puis entraînez à nouveau le réseau sur les données de plusieurs autres réseaux. Une sorte d'apprentissage profond d'un format différent.... D'ailleurs, c'est une bonne approche...

Non, il s'agit simplement d'un réentraînement à certains intervalles dans le testeur, par exemple à un tirage donné et ainsi de suite. Si vous utilisez plusieurs filets, il y a ns ensembles dans alglieb, je jouerai avec plus tard, c'est l'été, le farniente... mer plage poussins mojito, je plaisante juste ce que.... la mer en Sibérie, il n'y a qu'une rivière et une tourbière.

et puis il y a toutes sortes de boostings, shmustings et autres trucs, et le LSTM comme idéal lointain de mes aspirations que je n'ai pas encore atteint...

 
Vladimir Perervenko:
Mihail Marchukajtes :

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 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 composition séquentielle d'algorithmes d'apprentissage automatique où chaque algorithme successif tente de compenser les inconvénients de la composition de tous les algorithmes précédents. Leboosting est un algorithme gourmand pour construire une composition d'algorithmes.

L'application récente la plus connue est XGBoost.

Bonne chance

Quel est le rapport entre XGBoost, une bibliothèque distribuée optimisée de boosting de gradient, et la construction de compositions d'algorithmes d'apprentissage automatique ?