L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 510
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 exécuté le code de l'article, tout a fonctionné la première fois.
La version de R est 3.4.2, mais je ne pense pas que cela ait beaucoup d'importance.
J'ai R ouvert... ça doit être la faute.
C'est juste que certaines personnes ici classent les prix. C'est pour eux.
Le type de classification est déterminé par le professeur, ce à quoi il faut faire très attention.
Si le gourou est celui des tendances (trend pattern), alors il devrait y avoir une quantité égale (en gros) de hausse et de baisse. Mais on ne sait pas très bien où sont les latéraux... Et s'il y a des latéraux, ce n'est pas clair : ce qui est en haut et ce qui est en bas. Les tendances sont dans l'impasse.
Par conséquent, le plus prometteur, et c'est ce dont il est question ici, est la prévision des hausses de prix. Mais pour lui et le professeur, c'est différent, ce n'est pas la même chose que pour les tendances.
D'ailleurs, personne ne classe les prix ici.
Si vous vous intéressez auxprévisions de séries chronologiques, il est préférable de lire les articles.
Votre lien ne concerne que les séries chronologiques stationnaires ? A en juger par le lissage exponentiel, oui. Il n'existe pas de séries chronologiques stationnaires sur les marchés financiers.
L'article auquel vous faites référence n'a rien à voir avec la prévision - il s'agit d'une extrapolation de la courbe sous forme analytique. Et s'il y a un vide ? Et s'il y a un Draghi ou autre ?
Périodes d'auto-échantillonnage de 3 attributs différents par RMSE la plus faible, on constate que l'importance des attributs sur le marché varie considérablement dans le temps, tant en valeur absolue que par rapport aux autres attributs. Il y a parfois des périodes stables où les mêmes attributs se maintiennent ou varient légèrement, mais en général la variabilité est grande. Ce n'est qu'une petite coupure. Tous les prédicteurs ont une forme stationnaire.
En d'autres termes, pour employer des termes statistiques stupides, l'hypothèse nulle d'un modèle constant sur le marché n'est pas confirmée.
Conclusion : nous devrions créer au moins 2 modèles : l'un sélectionnera les attributs informatifs en temps réel, et l'autre apprendra et se recyclera sur eux. Cela nécessite un système dans lequel la variation des signes aura un effet, c'est-à-dire que nous devons considérer l'ensemble comme un système complet.
Conclusion : vous devriez créer au moins deux modèles : l'un sélectionnera les caractéristiques informatives en temps réel et l'autre apprendra et se recyclera sur ces caractéristiques.
Pour moi, ce n'est pas la bonne conclusion, car le modèle sera toujours en retard, toujours dépassé par rapport aux caractéristiques existantes du marché... La même moyenne mobile retardée...
L'idée est que pour entraîner un modèle de classification, le nombre de classes doit être équilibré de sorte que le nombre d'exemples d'entraînement de la classe "1" coïncide avec le nombre d'exemples d'entraînement de la classe "2" (et supprimer les exemples inutiles).
Je vois une exigence similaire pour les modèles de régression, mais c'est plus compliqué - le nombre d'exemples avec le niveau "0.001" doit être égal au nombre d'exemples de formation avec le niveau "-0.001",
le nombre d'exemples avec la cible 0,002 doit être égal au nombre d'exemples avec la cible -0,002, etc.
Voici un script pour réaliser cet équilibrage
En ce qui me concerne, la conclusion est erronée car le modèle sera toujours en retard, toujours dépassé par rapport aux caractéristiques actuelles du marché... Même moyenne misérable glissante...
oui mais non... c'est-à-dire mieux que sans elle
Qu'est-ce que cela signifie essentiellement ?
Si le dollar augmente pendant plusieurs mois d'affilée (il y avait une tendance), en lissant le nombre d'exemples d'apprentissage, nous montrerons NS comme s'il était resté stable pendant tout ce temps. Et en conséquence, il l'apprendra à plat. Est-ce correct ? Peut-être qu'on devrait quand même l'enseigner à la tendance ?
Et si le prix commence à baisser avec les nouvelles données ? Le modèle prévoit une augmentation. Dans une telle situation, le modèle que j'utilise commence à devenir un peu terne et reste longtemps dans les échanges, en dépassant les limites.
Oui, mais non... Je veux dire, c'est mieux que sans.
Que puis-je dire, essayez-le, partagez vos expériences, c'est ce qui est intéressant à lire.
J'ai essayé de ré-entraîner le modèle sur chaque barre...
Oui- le modèle fonctionne mieux qu'un modèle statique (une fois formé).
Non - le modèle ne peut pas être appelé à fonctionner
p.s. J'espère que vous pourrez faire mieuxQue puis-je dire, essayez-le, partagez vos expériences, c'est ce qui est intéressant à lire.
J'ai essayé de ré-entraîner le modèle sur chaque barre...
Oui, le modèle fonctionne mieux qu'un modèle statique (formé une seule fois).
Non - le modèle ne peut pas être appelé à fonctionner
p.s. J'espère que vous irez mieux.Je fais en sorte que le modèle ne se réentraîne pas du tout et que certains paramètres soient ajustés dans l'optimiseur, mais il y a un ajustement constant des caractéristiques à travers un autre modèle qui donne toujours les mêmes résultats, mais en raison des périodes de changement des caractéristiques, il donne plus ou moins de signaux dirigés différemment, selon le marché. Par exemple, de petites périodes de prédicteurs sont bonnes pour un marché plat, mais de plus longues pour une tendance. Il est clair qu'il y a encore un décalage, mais la question est de savoir à quel point il est critique. Mais comme tout est optimisé de manière cumulative pendant une certaine période, nous obtenons un style super adaptatif.
En bref, c'est mon imagination, je vous montrerai quand j'aurai fini).
Je fais en sorte que le modèle ne se ré-entraîne pas du tout, mais que certains paramètres soient ajustés dans l'optimiseur, mais il y a un ajustement constant des caractéristiques à travers un autre modèle, de sorte que le premier donnerait toujours les mêmes résultats, mais parce que les périodes des caractéristiques changent, il donne soit plus de signaux dirigés différemment, soit moins, en fonction du marché. Par exemple, les petites périodes de prédicteurs sont bonnes pour un marché plat, mais les plus longues pour une tendance. Il est clair qu'il y a encore un décalage, mais la question est de savoir à quel point il est critique.
Ce sont mes fantasmes, je vous les montrerai quand je les aurai terminés.)
Que voulez-vous dire par "périodes de caractéristiques/prédicteurs" ? )