L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1550

Nouveau commentaire
 
forexman77:

J'ai servi juste des prix pour entraîner une forêt aléatoire. J'ai obtenu la ligne rouge des prévisions. J'ai remarqué que dans les zones de tendance, la ligne de prévision n'est pas du tout atteinte.


tout va bien, pensez pourquoi

 
Maxim Dmitrievsky:

C'est vrai, pensez pourquoi

Pourquoi, comme je le comprends, je le sais déjà. J'aimerais savoir ce que les autres en pensent ?

 
forexman77:

Pourquoi, comme je le comprends, je le sais déjà. J'aimerais savoir ce que les autres en pensent.

parce que la forêt ne sait pas comment extrapoler

Vous devez mettre à l'échelle les données, par exemple les incréments.

Ou prenez des marchés plats si le prix n'est qu'une caractéristique.
 
Maxim Dmitrievsky:

parce que la forêt ne sait pas comment extrapoler

Voulez-vous dire comme ARIMA quand plusieurs valeurs sont prédites à l'avance ?

J'ai chaque prédiction, seulement une barre en avant (conscient que la forêt ne fonctionne pas avec les séries temporelles). J'ai également essayé de faire ce qui suit : la barre prédite est ajoutée et une barre derrière est soustraite des anciennes et cela va par cycles jusqu'à

J'ai essayé de cette manière : je devrais parcourir en boucle certaines barres et remplacer les précédentes par les prédites.

Les première et deuxième mesures prédites sont répétées.

C'est ainsi qu'il est formé dans le gif :

    def on_press(self, event):
        if event.xdata!=None and event.xdata>=1:
           index = int(event.xdata)
           index_ = ind[index:index + 30]
           if self.ln != 0:
               self.ln.remove()
           X = z[index - 31:index]
           X1 = z[index-1:index + 29]
           X=X.reshape(-1, 1)
           X1 = X1.reshape(-1, 1)
           y = z[index - 30:index + 1]
           regr = RandomForestRegressor(max_depth=5, random_state=0, n_estimators=10)
           regr.fit(X, y)
           y_1 = regr.predict(X1)

           self.ln, = self.ax.plot(index_, y_1, color='red')
 
forexman77:

Voulez-vous dire comme ARIMA, où plusieurs valeurs sont prédites à l'avance ?

dans les modèles de régression, les signes sont simplement dominés par les coefficients, donc tout fonctionne lorsque les données d'apprentissage sont hors limites.

Forest sépare les feuilles qui ont des valeurs marginales à la fois supérieures et inférieures, sur la plage des données d'apprentissage. Si les nouvelles données sortent de cette fourchette, la forêt affiche les valeurs des feuilles extrêmes qu'elle connaît.

donc vous avez une ligne droite, parce que la forêt montre les valeurs extrêmes qu'elle connaît.
 
Maxim Dmitrievsky:

Pourquoi ne pas simplement faire un essai d'une sorte, comme une tyrolienne ? Quel est l'avantage ?

Vous n'avez pas besoin d'exécuter quoi que ce soit dans MT5, et la dll n'est pas très utile.

MLflow est déjà en Python. Vous pouvez y stocker le résultat de latyrolienne.

Vous vérifierez de toute façon la stratégie de trading dans le testeur MT5, car il offre plus de possibilités.

 
Maxim Dmitrievsky:

dans les modèles de régression, les attributs sont simplement multipliés par des coefficients, de sorte que tout fonctionne lorsque les données d'apprentissage sont hors limites.

la forêt sépare les feuilles qui ont des valeurs marginales à la fois supérieures et inférieures, sur la plage des données d'apprentissage. Si les nouvelles données sortent de cette fourchette, la forêt affiche les valeurs des feuilles extrêmes qu'elle connaît.

c'est pourquoi vous avez une ligne droite, parce que la forêt montre les valeurs extrêmes qu'elle connaît.

Eh bien, oui en principe, comme une option pour prédire les incréments et les ajouter à la barre initiale et ainsi aller à la profondeur désirée.

Pourquoi je demande, parce que la forêt n'a pas besoin de normaliser les données, mais c'est comme ça.

 
forexman77:

Eh bien, oui en principe, comme une option pour prédire les incréments et les ajouter à la barre initiale et ainsi aller à la profondeur désirée.

Pourquoi je demande, parce que la forêt n'a pas besoin de normaliser les données, mais c'est comme ça que ça se passe.

Dans le cas de séries temporelles non stationnaires, il est nécessaire, au moins, de les ramener dans une certaine fourchette raisonnable, au-delà de laquelle elles n'iront pas pendant un certain temps.

mais plus la différenciation est forte, plus la perte d'information est importante.

Il s'agit donc d'une arme à double tranchant - les séries initiales ne sont pas très appropriées et les incréments avec un seul retard ne sont pas très bons, car beaucoup d'informations sont perdues.

l'information est perdue précisément sur le décalage temporel de la moyenne, et rien d'autre. Dans mes billets sur la maternité, j'essaie de l'expliquer en termes simples.

 
Roffild:

MLflow est déjà en Python. Vous pouvez y stocker le résultat de latyrolienne.

La stratégie de trading sera toujours testée dans le testeur MT5, car il dispose de plus de fonctionnalités.

Cela peut s'avérer utile plus tard, merci.

 
1
1...154315441545154615471548154915501551155215531554155515561557...3399
Nouveau commentaire