L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 429
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
J'ai oublié de mettre (c) :))
Non, ils ne le font pas. Voici une explication (tirée d'un article que je n'arrive pas à finir :(
Introduction
Aujourd'hui, les deux approches sont activement utilisées dans la pratique. Les expériences comparatives [ ] des deux approches ne révèlent pas d'avantages significatifs de l'une sur l'autre, mais il y a tout de même une chose. Les réseaux neuronaux avec préformation nécessitent beaucoup moins d'exemples pour la formation et de ressources informatiques, tout en obtenant des résultats presque équivalents. Pour certains domaines, il s'agit d'un avantage très important.
Bonne chance
Eh bien, c'est réglé :) Oui, particulièrement agréable est la vitesse d'apprentissage (plus la qualité des modèles), je vais expérimenter plus tard avec des périmètres de vos articles, quand je finis de réaliser mes idées, le sujet est très intéressant et rentable parfois, comme sur mon modeste modèle d'hier, par exemple :) (le lot est petit car il est encore en phase de test)
Jusqu'à présent, il se suralimente trop et ne fonctionne pas sur de longs intervalles sans recyclage, mais sur des intervalles de 2-3 mois, il s'entraîne (s'adapte ?) presque parfaitement, et il y a une bonne probabilité qu'il fonctionne une semaine après l'entraînement, je ne fais que recycler chaque semaine. Honnêtement, je n'avais jamais obtenu de telles courbes auparavant (aux prix de clôture, pas aux ticks) avant de me familiariser avec MO dans le testeur. Il fonctionne efficacement sur presque toutes les paires de devises et tous les indices (je n'ai pas encore essayé les devises car j'ai peu d'historique de contrats et je ne veux pas m'embêter avec le collage), ce qui me permet de faire des portefeuilles à faible risque.
Maintenant, la tâche principale est d'augmenter la stabilité sur les échantillons de test en ajoutant des interrelations non linéaires, ce qui est une tâche non triviale, mais soluble dans une certaine mesure (comme je le vois).
Pas besoin d'un violoniste (c).
Je le lirai plus tard, je m'en souviendrai.
C'est réglé :) Oui, particulièrement agréable est la vitesse d'apprentissage (plus la qualité des modèles), je vais expérimenter plus tard avec les périmètres de vos articles quand j'ai fini de mettre en œuvre leurs idées, sujet très intéressant et parfois rentable, comme sur mon modeste modèle d'hier, par exemple :) (le lot est petit puisqu'il est encore en phase de test)
Jusqu'à présent, il se suralimente trop et ne fonctionne pas sur de longs intervalles sans recyclage, mais sur des intervalles de 2-3 mois, il s'entraîne (s'adapte ?) presque parfaitement, et il y a une bonne probabilité qu'il fonctionne une semaine après l'entraînement, je ne fais que recycler chaque semaine. Honnêtement, je n'avais jamais obtenu de telles courbes auparavant (aux prix de clôture, pas aux ticks) avant de me familiariser avec MO dans le testeur. De plus, il fonctionne bien sur presque toutes les paires de devises et les indices (je n'ai pas encore essayé les actions car j'ai peu d'historique sur les contrats et je ne veux pas m'embêter avec les colles), c'est-à-dire que je peux faire des portefeuilles à faible risque.
La tâche principale en ce moment est d'augmenter la stabilité sur les échantillons de test en ajoutant des interrelations non linéaires, c'est une tâche non triviale, mais soluble dans une certaine mesure (comme je le vois).
Vous semblez avoir utilisé le RNN de Reshetov sur le réel avec TrendLinearReg. Est-ce que cela fonctionne toujours, ou est-ce que l'idée a échoué ?
Je suis récemment revenu aux GARCHs avec lesquels j'étais auparavant familier. Ce qui m'a énormément surpris, après plusieurs années de fascination pour l'apprentissage automatique, c'est le nombre considérable de publications sur l'application du GARCH aux séries chronologiques financières, y compris les devises.
Existe-t-il quelque chose de similaire pour les réseaux profonds ?
Je ne fais pas de régression. Je suis juste ce qu'il y a de nouveau dans ce domaine. Le développement le plus récent que j'apprécie est le paquet prophète.
Réseaux profonds pour la classification.
Bonne chance
L'optimisation donne souvent de très bons résultats... mais ce n'est pas si important.
Vous semblez avoir exécuté le RNN de Reshetov avec TrendLinearReg sur le réel - cela fonctionne-t-il toujours ou l'idée n'a pas fonctionné ?
Changé les prédicteurs, d'abord voulu jeter ... puis je pense quelque chose de pas, une telle vache besoin eux-mêmes pour le moment). Le cadre du MO sur Reshetov est resté, tout le reste est refait, j'ai ajouté MLP - je n'aimais pas ça, ça prend beaucoup de temps à compter, maintenant je vais ajouter rand. forrest + quelques autres idées qui sont en cours... I.e. en général, je veux un comité ou ce qui serait un ns éduquer l'autre, quelque chose de si original veulent toujours
Mais l'angle de Reg. est bon en soi, à la fois sur l'entrée et la sortie, si aussi sur les graphiques logarithmiques ... c'est un bon prédicteur.
J'ai changé les prédicteurs, au début je voulais les décharger... puis je pense que non, j'ai besoin d'une telle vache moi-même pour le moment). J'ai gardé le cadre MO sur Reshetov, j'ai retravaillé tout le reste, j'ai ajouté MLP - je n'aimais pas, ça prend trop de temps à calculer, maintenant je vais ajouter Rand Forest + quelques autres idées qui sont en cours...
Il n'y a pas beaucoup d'entrées sur la grille de Reshetov ... 3-6, si vous donnez la même quantité à la MLP, elle devrait aussi compter rapidement.
Mais pour MLP il y a un problème avec les sorties... alors que celle de Reshetov est configurée pour des probabilités basées sur les extrema des oscillateurs, c'est-à-dire qu'il suffit de détrender correctement le marché, de faire quelques transformations et de l'alimenter comme une série stationnaire.
PLUS cet alglibovy mLp chaque fois différemment formés sur le même ensemble, 1 fois a couru un a montré, la deuxième fois - un autre, et ainsi dans le cycle pour plusieurs itérations (5-7) produira des valeurs différentes, comment travailler avec cela je ne sais pas. C'est pourquoi j'ai commencé à ajouter plus d'entrées (jusqu'à 15) et il a commencé à apprendre lentement. J'utilisais softmax. J'ai aussi essayé les ensembles - cela a pris beaucoup de temps. Et au final, d'après les expériences réalisées dans azure machine learning, il est clair que RF donne toujours moins d'erreur que presque tous les modèles MO simples, MLP par contre donne la plus grosse erreur en règle générale.... Peut-être que je ne sais pas comment le cuisiner, mais il semble que ce soit pire et plus lent, ce que j'ai trouvé confirmé ici par San Sanych.
En d'autres termes, si nous choisissons parmi les classificateurs simples, alors sans ambiguïté RF, vient ensuite DNN et d'autres derniers, RNN et LSTM. Passez du simple au complexe :)
Mais un angle rég. est bon en soi comme entrée et sortie, si aussi sur des graphiques logarithmiques ... un bon prédicteur.
Que sont les tracés d'angle rég. et logarithmique ?
Que sont l'angle de régression et les diagrammes logarithmiques ?
TrendLineregr montre l'angle de pente de la ligne de régression pour un nombre donné de barres - c'est un bon indicateur comme prédicteur et comme cible aussi, un substitut pour un zigzag. C'est-à-dire qu'il supprime réellement la composante bruit des citations (à mon avis).
Et les graphiques du logo sont pris non pas comme des graphiques propres mais comme un logarithme des prix
Et en général le même Garch Figarach et Arima sont l'analyse de régression, rien de plus intéressant n'a encore été inventé, donc si les gens l'utilisent alors ils devraient aussi l'utiliser d'une manière ou d'une autre.