L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1743
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
C'est une chose compliquée, on ne peut pas savoir exactement comment l'aborder... c'est très vague.
Je ne sais pas si c'est trop à faire selon les signes ou quoi.
Quoi de neuf ?
Jel' ai trouvéici .
J'ai vérifié la source, mais je n'ai vu nulle part une conclusion sans équivoque sur les mauvaises performances de cette méthode.....
Quoi de neuf ?
Voir le très intéressant paquet TSrepr (Time Series Representations ) dans R.
"Les méthodes de représentation des séries temporelles peuvent être divisées en quatre groupes (types) (Ratanamahatana et al. (2005)) :
Dans les représentations non adaptatives, les paramètres de transformation restent les mêmes pour toutes les séries temporelles, quelle que soit leur nature. Dans les représentations adaptatives des données, les paramètres de la transformation varient en fonction des données disponibles. Une approche de la représentation basée sur le modèle repose sur l'hypothèse que la série chronologique observée a été créée sur la base d'un modèle de base. L'objectif est de trouver les paramètres d'un tel modèle en tant que représentation. Deux séries chronologiques sont alors considérées comme similaires si elles ont été créées par le même ensemble de paramètres d'un modèle de base. Dans les approches dictées par les données, le taux de compression est défini automatiquement sur la base des séries temporelles brutes telles que les coupures (Aghabozorgi, Seyed Shirkhorshidi, et Ying Wah (2015)).
Les méthodes les plus connues pour les représentations non adaptatives sont les suivantes : PAA (Piecewise Aggregate Approximation), DWT (Discrete Wavelet Transform), DFT (Discrete Fourier Transform), DCT (Discrete Cosine Transform) ou PIP (Perceptually Important Points). Pour les représentations de type adaptatif des données, il s'agit de SAX (Symbolic Aggregate approXimation), PLA (Piecewise Linear Approximation) et SVD (Singular Value Decomposition). Pour les représentations basées sur un modèle, il s'agit d'ARMA, de profils moyens ou de coefficients de régression estimés à partir d'un modèle statistique (par exemple, un modèle linéaire). Les données dictées sont le type de représentation le moins connu et la méthode la plus célèbre de ce type est l'écrêtage (représentation au niveau des bits) (Bagnall et al.). (2006)).
Dans le paquet TSrepr, ces méthodes de représentation des séries temporelles sont implémentées (les noms des fonctions sont entre parenthèses) :
Nondata adaptative :
Données adaptables :
Basé sur un modèle :
Les données ont été dictées :
Il donne des transformations très intéressantes, y compris le clustering.
Bonne chance
Regardez le très intéressant paquet TSrepr(Time Series Representations) dans R.
Rappelez-vous, quand je vous ai demandé de faire un script pour mt4, il y avait des neurones entraînés du paquet nnfor, et la cible était PIP- Perceptually Important Points (repr_pip) de TSrepr :)
Vladimir ! J'ai quelques questions, si je peux me permettre...
1) Dites-moi quelle erreur maximale vous avez réussi à obtenir sur la classification de la direction zigzag sur l'EURUSD ? Et avez-vous utilisé noisefilter en le faisant ?
2) La "discrétisation" des prédicteurs, que vous avez décrite dans vos articles, détériore-t-elle la qualité de l'apprentissage ?
3) Je veux essayer de faire une sorte de méta-apprentissage, au niveau le plus bas, l'essentiel de l'idée est la suivante :
n1. former un prévisionniste sur les données
n2. nous extrayons toutes les règles que Forest a générées et les soumettons en tant que nouveaux prédicteurs ; chaque règle est un prédicteur, nous avons donc 500-1000 règles. Les prédicteurs semblent "clairsemés" mais que faire ?
P.3 Entraîner un nouveau modèle sur les règles du prédicteur...
L'idée est de
1) augmenter le nombre de prédicteurs
2) obtenir des règles plus complexes et plus profondes, c'est-à-dire des règles plus hiérarchiquement complexes
3) Forest montre la prédiction comme la somme de toutes les règles (arbres), je pense que si nous ne considérons pas la somme des règles mais les règles séparément, alors nous pouvons mieux séparer les étiquettes des classes, peut-être trouver des combinaisons uniques de règles, etc.
La question est la suivante : ce que je viens d'écrire n'est-il pas l'habituel boosting de gradient ?
4) Par ailleurs, où puis-je obtenir ces indicateurs spectraux que j'utilise : satl, fatl, etc.
Jel' ai trouvéici .
J'ai lu le fil de discussion et je suis arrivé à la même conclusion. Et la prédiction cssa est habilement faite, prédisant progressivement un pas en avant, est-elle vraiment si efficace ?
Des comparaisons de vitesse entre bpf et ssa ? Sinon, prenez des ondelettes complexes et c'est les mêmes chiffres de Lessage. Seulement il n'est pas clair comment les mettre dans l'optimiseur, c'est plus approprié pour un réglage visuel.
cssa se traduit par Causal SSA. Cette méthode figure dans le livre de 2013.
Oleg et Miklouha ont été bannis).
Oleg a été débanné mais Miklokh a été débanné pour une raison quelconque ............