L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 934
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
Et dans R lui-même, les graphiques ne sont rien. Et les packs de graphiques ne sont pas bons non plus.
Aujourd'hui, j'ai consacré une journée à l'étude de la DSP.
Ça me rappelle la Nouvelle-Zélande.
Coefficients de filtrage et autres, presque comme des prédicteurs.
)
Aujourd'hui, j'ai passé la journée à étudier le DSP.
C'est un peu comme en Nouvelle-Zélande.
Des coefficients de filtrage et autres, presque comme des prédicteurs.
)
Je ne pense pas qu'un jour soit suffisant). C'est en fait une spécialité). Ils l'étudient depuis des années, voire toute leur vie active.
NS, pas de réminiscence, mais largement utilisé en DSP. La question de l'application des NS en DSP est la formulation correcte du problème pour les NS. Par exemple, une application de la NS est le filtrage, y compris le filtrage adaptatif.
Au fait, NS fonctionnera bien si vous lui donnez une tâche bien précise, pas apporter ceci, je ne sais quoi.
Une journée n'est probablement pas suffisante). C'est en fait une spécialité). Elle a été étudiée pendant des années, voire une vie entière de vie active.
NS, pas de réminiscence, mais largement utilisé en DSP. La question de l'application des NS en DSP est la formulation correcte du problème pour les NS. Par exemple, une application de la NS est le filtrage, y compris le filtrage adaptatif.
Au fait, NS fonctionnera bien si vous lui donnez une tâche bien précise, pas apporter ceci, je ne sais quoi.
La spécialité correspond
La journée est courte, je suis d'accord.
Filtre_02 2016 arr_Buy
La classe "1" dépasse même la classe "0" en nombre, il y a donc moins de fausses entrées par rapport à avant. Essayez cet arbre dans l'EA s'il vous plaît ? Je suis moi-même curieux de savoir ce que le graphique des bénéfices va montrer.
La classe "1" n'est qu'un filtre d'achat et la classe "-1" est un filtre de vente. Idéalement, il serait donc préférable de programmer un filtre de vente et un filtre d'achat. Je n'ai que des valeurs toutes en int, je comprends que si la valeur de branchement dans l'arbre est 2.5, alors je mets 3, n'est-ce pas ? Et dans les ovales, cela signifie plus ou égal à 0,50, alors c'est 1, sinon c'est zéro ? C'est juste qu'il n'y a que 4 sorties à zéro, alors je vais juste vérifier sur elles, si ce n'est pas 0, alors c'est 1.
La classe "1" est un filtre d'achat et la classe "-1" est un filtre de vente.
Je ne comprends pas. arr_Buy==1 signifie "n'achetez pas" ?
Idéalement, il serait préférable de programmer un filtre pour vendre et acheter à la fois.
Et comment calculer une valeur cible à partir de deux arr_Buy et arr_Sell ?
Il serait bon que dans une colonne cible il n'y ait que deux classes -1 et 1 (achat et vente), et à peu près le même nombre des deux. Dans ce cas, nous pourrions obtenir des résultats plus stables du modèle.
Je n'ai que des valeurs toutes en int, j'en déduis que si l'arbre a une valeur de ramification de 2.5, je mets 3, non ? Et dans les ovales, cela signifie plus ou égal à 0,50, alors c'est 1, sinon c'est zéro ? C'est juste qu'il n'y a que 4 sorties à zéro, alors je vais juste vérifier sur elles, si ce n'est pas 0, alors c'est 1.
Oui, c'est vrai.
La classe "1" n'est qu'un filtre d'achat et la classe "-1" est un filtre de vente. Idéalement, il serait donc préférable de programmer un filtre de vente et un filtre d'achat. Je n'ai que des valeurs toutes en int, je comprends que si la valeur de branchement dans l'arbre est 2.5, alors je mets 3, n'est-ce pas ? Et dans les ovales, cela signifie plus ou égal à 0,50, alors c'est 1, sinon c'est zéro ? C'est juste qu'il n'y a que 4 sorties à zéro, alors je vais juste vérifier sur eux, si pas 0, alors 1.
Vous faites l'arbre vous-même ?
Une forêt est suffisante pour être formée, et une optimisation supplémentaire n'a pas de sens - il est plus facile de créer une nouvelle forêt.
Pour une compatibilité totale avec MQL5, j'ai créé https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_RandomForest.mq5 Run only on local agents. Le code peut générer plusieurs fichiers avec différents nombres de prédicteurs et les exécuter dans l'optimiseur. Quand vous n'aurez plus de RAM, vous ferez mieux de passer à Spark...
Je ne comprends pas. arr_Buy==1 signifie "n'achetez pas" ?
Oui - n'achetez pas, c'est un filtre, c'est-à-dire qu'il recherche les mauvais points d'entrée pour acheter et pour vendre. L'idée est de trouver des entrées sur le marché et de les combiner avec le filtre.
Et comment calculer une valeur cible à partir de deux arr_Buy et arr_Sell ?
Ce serait bien s'il n'y avait que deux classes -1 et 1 (achat et vente) dans la même colonne cible, et à peu près le même nombre des deux. Dans ce cas, vous pourriez obtenir des résultats plus stables du modèle.
Dans ce cas, l'entrée devrait se faire sur chaque barre - achat ou vente, mais le marché ne fournit pas autant de mouvements de tendance, et la cible d'achat et de vente est en tendance, donc les signaux ne peuvent pas être combinés. Le filtre surveille toutes les pertes, donc il y a plus d'informations - plus de plats, donc il devrait les attraper.
Cela a été écrit à maintes reprises : les prédicteurs de bruit sont beaucoup plus conviviaux pour les modèles - il y a toujours des valeurs dans le bruit qui améliorent le résultat de l'apprentissage. Le processus est donc inversé - les prédicteurs de bruit ont plus de poids, pas comme vous le suggérez. Ceci est particulièrement visible dans les petits échantillons, qui comptent moins de 1000 observations. Les échantillons de plus de 5000 observations ne sont pas aussi affectés, mais vous devez toujours présélectionner les prédicteurs de bruit.
Comment identifier les "prédicteurs de bruit" ? J'ai essayé de sélectionner par importance et de supprimer de cette façon, le résultat est pire.
Je préfère superposer les résultats de la forêt aléatoire sur le graphique lui-même.
Par exemple, la comparaison de deux modèles de forêt aléatoire :
Je préfère superposer les résultats de la forêt aléatoire sur le graphique lui-même.
Par exemple, la comparaison de deux modèles de forêt aléatoire :
La lecture de votre indicateur n'est pas claire.