L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 545

 
Maxim Dmitrievsky:

surtout si nous utilisons le clustering multidimensionnel, nous pouvons essayer d'alimenter des vecteurs avec des caractéristiques et des vecteurs avec un décalage de, disons, des incréments ... pour les diviser en groupes - quelles caractéristiques correspondent à quels incréments dans le futur

puis l'appliquer à cet ensemble pour l'entraînement de NS, par exemple... c'est-à-dire comme l'exploration de données

oui, exactement avant la formation ... ou séparément pour le TS

Oui.

À propos, dans de nombreux paquets python (il devrait également y en avoir dans R), il existe une chose autre que batch_size - comme time_steps, elle est juste utilisée dans l'analyse des séries temporelles. C'est-à-dire qu'une matrice de longueur time_steps est immédiatement introduite à l'entrée, qui est prise en compte dans les tenseurs du modèle.


Je serai peut-être un peu surpris de voir que je ne suis pas habitué à ce genre de choses :
Les marchés sont interconnectés, de sorte que les capitaux circulent au sein d'un système global. Donc, si vous disposez d'un bon modèle profond et de ressources informatiques, ces mouvements de masses monétaires peuvent bien sûr être captés.

 
Maxim Dmitrievsky:

surtout si nous utilisons le clustering multidimensionnel, nous pouvons essayer d'alimenter des vecteurs avec des caractéristiques et des vecteurs avec un décalage de, disons, des incréments ... pour les diviser en groupes - quelles caractéristiques correspondent à quels incréments dans le futur

puis appliquer à cet ensemble pour la formation NS, par exemple... c'est-à-dire comme le datamining

oui, exactement avant la formation ... ou séparément pour le TS

J'aime l'idée de @Mihail Marchukajtes sur les options et le sourire de la volatilité. Seulement il y avait un problème avec l'analyseur syntaxique.
 
Aleksey Terentev:
Et à propos de l'exploration des données, j'ai aimé l'idée de @Mihail Marchukajtes sur les options et le sourire de la volatilité. Seulement il y avait un problème avec l'analyseur syntaxique.

Pour l'instant, j'ai une sorte de mélange inconnu de modèle autorégressif sur-optimisé + éléments adaptatifs... des trucs inconnus mais amusants, j'y mets tout ce que j'apprends :)

ça marche un peu, mais pas toujours.

J'essaierai une analyse intermarché lorsque je serai à court d'idées, ou d'informations externes comme les options. Si j'ai appris quelque chose de nouveau, ça marche, mais pas toujours quand je suis à court d'idées.

 

Le problème se pose si l'on veut prendre en compte l'écart. Et vous avez besoin du spread si vous faites du pipsing.

Ainsi, lors de l'entraînement, les données sont déchargées de l'historique par CopySpread, et il y a un écart minimum sur la barre. Et parce que le MOE mène l'analyse pobar, alors pour comptabiliser correctement le spread, il est nécessaire au moment où les calculs sont faits, c'est-à-dire Open, Close, High ou Low (selon ce que vous voulez ajouter ce spread). Par exemple, je travaille avec des prix ouverts. Et bien sûr, l'écart minimum dans une barre n'est presque jamais égal à l'écart au moment de l'ouverture de la barre. Par conséquent, le TP ou le SL peut être différent de 10 à 20 points de celui qui sera fixé dans la réalité. En d'autres termes, la rentabilité du système sera très différente de ce que suppose le modèle MO.
Par conséquent, l'entraînement avec des écarts minimes sur la barre ne peut être reproduit dans la réalité.

C'est-à-dire que nous avons un problème à deux endroits :

1 - dans l'histoire, sur laquelle nous apprenons (les écarts sont différents).

2 - au moment de conclure un accord (si la décision est prise au moment de l'ouverture d'un bar). Des spreads différents donneront des TP et SL différents.


J'ai remarqué cette particularité en comparant les résultats du modèle entraîné sur des prix ouverts et sur des ticks réels. La différence est très importante. C'est-à-dire qu'en situation réelle, la différence sera également importante.

Il s'agit soit de ne pas utiliser les spreads (rejetant ainsi la possibilité d'utiliser le scalping à partir des capacités d'un système enseignable), soit de collecter des matrices pour l'entraînement à des ticks réels et de les tester ensuite à des ticks réels - cela prend beaucoup plus de temps que les tests au cours d'ouverture. Comme alternative, pour accélérer le processus, nous pouvons préalablement créer un symbole personnalisé passant par des ticks réels et collectant les spreads nécessaires.

 
elibrarius:

Je regarde les modèles MO jusqu'à présent : le modèle donne la décision d'entrer ou non, et le reste est une question de gestion de l'argent et de stratégie de trading.

En particulier avec l'historique des chandeliers, les réseaux neuronaux apprennent bien.

Si nous transférons la sélection des points d'entrée/sortie ou tout autre détail à MetaTrader 2, je le ferais avec le deuxième modèle. Ou compliquer le modèle, auquel cas seul l'apprentissage profond avec des tenseurs parallèles fonctionnera efficacement.

En bref : les points d'entrée, les ratios de profit, le comptage des pips ne sont pas tout pour un modèle simple.
 
Aleksey Terentev:

Je regarde les modèles MO jusqu'à présent : le modèle donne la décision d'entrer ou non, tout le reste est une question de gestion de l'argent et de stratégie de trading.

De plus, les réseaux neuronaux apprennent bien de l'historique des chandeliers.

Si nous transférons la sélection des points d'entrée/sortie ou tout autre détail à MetaTrader 2, je le ferais avec le deuxième modèle. Dans ce cas, seul l'apprentissage profond avec des tenseurs parallèles sera efficace.

En bref : points d'entrée, ratios de profit, comptage des pip - tout n'est pas pour un modèle simple.

Avez-vous déjà essayé le prophète de facebook ?

pour une raison quelconque, ma liba refuse obstinément de s'installer, de mettre anaconda, python... elle se bloque à l'étape de l'installation et c'est tout. la liba de mon ami fonctionne

Eh bien, un autre intéressant

http://pythondata.com/stock-market-forecasting-with-prophet/

Stock market forecasting with prophet
Stock market forecasting with prophet
  • 2017.09.12
  • Eric Brown
  • pythondata.com
This article highlights using prophet for forecasting the markets. You can find a jupyter notebook with the full code used in this post here. For this article, we’ll be using S&P 500 data from FRED. You can download this data into CSV format yourself or just grab a copy from the my github ‘examples’ directory here. let’s load our data and plot...
 
Maxim Dmitrievsky:

Avez-vous déjà essayé le prophète de facebook ?

pour une raison quelconque, ma liba refuse obstinément de s'installer, de mettre anaconda, python... elle se bloque à l'étape de l'installation et c'est tout. la liba de mon ami fonctionne

Eh bien, un autre intéressant

http://pythondata.com/stock-market-forecasting-with-prophet/

J'ai lu ces articles et, pour être honnête, je ne suis pas impressionné par l'approche du Dr Brown.

D'un autre côté, la bibliothèque est intéressante. Je suis sûr qu'il sera intéressant d'examiner les modèles en vogue.

Pour l'instant, je vais m'en tenir à Keras. La formation avec renforcement est particulièrement facile à mettre en œuvre avec Keras-RL.


Note sur l'installation, lorsque vous utilisez Anaconda, les paquets doivent être installés via "conda" au lieu de "pip".

Keras Documentation
Keras Documentation
  • keras.io
Keras is a high-level neural networks API, written in Python and capable of running on top of TensorFlow, CNTK, or Theano. It was developed with a focus on enabling fast experimentation. Being able to go from idea to result with the least possible delay is key to doing good research. Use Keras if you need a deep learning library that: Allows...
 
Maxim Dmitrievsky:

Pour une raison quelconque, ma liba refuse obstinément de s'installer...

Ne pleurez pas))) sur un jeu "avancé" pour vr.

https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html

Introduction to Pattern Sequence based Forecasting (PSF) algorithm
  • Neeraj Bokde, Gualberto Asencio-Cortes and Francisco Martinez-Alvarez
  • cran.r-project.org
This section discusses about the examples to introduce the use of the PSF package and to compare it with auto.arima() and ets() functions, which are well accepted functions in the R community working over time series forecasting techniques. The data used in this example are ’nottem’ and ’sunspots’ which are the standard time series dataset...
 
Vizard_:
Ne pleurez pas)))) pour un jeu "avancé" pour vr.

https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html


quelque chose d'intéressant... pour python je ne trouve pas

j'ai déjà beaucoup de choses empilées, il est temps de construire un nouveau bot :)

 
Aleksey Terentev:

Note concernant l'installation, lorsque vous utilisez Anaconda, les paquets doivent être installés via "conda" au lieu de "pip".


Oui, je l'ai fait via condu et via pip dans python nu... j'ai un bug dans le système lui-même, il ne peut pas construire et compiler ce que j'ai téléchargé... peut-être que je dois le re-télécharger à la main

il n'y a pas de quoi s'inquiéter.