L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2060
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
Tous les graphiques de ce fil de discussion commencent dans le coin inférieur gauche et se terminent dans le coin supérieur droit ;)
J'aimerais vivre...
non, pas tous)
J'ai des doutes.
Je l'ai fait, je l'ai même décrit ici...
Seulement, je suis allé encore plus loin...
J'ai prévu les valeurs de tous les indicateurs, puis j'ai utilisé les prévisions obtenues comme nouveaux attributs, puis j'ai fait d'autres prévisions basées sur les attributs et leurs prévisions, et ainsi de suite, 7 fois, jusqu'à ce que l'erreur diminue...
Tout est basé sur l'auto-organisation de MGUA ou sur les méta traits de...
Merci pour le lien, un enfant génial, amusant à lire ;))
Quand on a besoin de décrire un extremum sous une forme plus humaine qu'un zigzag clair et pas très réaliste...
Pourquoi cela, c'est juste une alternative avec une disposition plus humaine des extrema du graphique. Pourquoi pas ZZ , ZZ n'a qu'un seul extremum, un seul point, il ne prend pas en compte les changements inévitables dans le marché non stationnaire....
La solution est la suivante : créez un motif d'extrema et regardez la corrélation entre le prix actuel et le motif...
code dans la meilleure langue du monde )
Le motif peut être n'importe quoi, une tendance ou autre, vous le nommez...
Voici à quoi cela ressemble sur un graphique de calcul de corrélation à fenêtre glissante avec des lignes de signal de -0,7 et 0,7.
Il me semble qu'il définit les extrêmes de manière très humaine et qu'il filtre les éléments insignifiants des éléments significatifs.
Ensuite, vous pouvez essayer d'entraîner le modèle de régression et voir ce qui se passe.
Quand on a besoin de décrire un extremum sous une forme plus humaine qu'un zigzag clair et peu réaliste...
Mais ce n'est qu'une alternative avec une disposition plus humaine des extrema du graphique. Pourquoi pas ZZ , ZZ n'a qu'un seul extremum, un seul point, il ne prend pas en compte les déplacements inévitables du marché non stationnaire....
Pour un zigzag, il suffirait d'apprendre au réseau neuronal à prédire la longueur d'un extremum - plus long que le précédent ou plus court (car la cible a besoin de longs).
Pour un zigzag, il suffirait d'apprendre au réseau neuronal à prédire la longueur de l'épaule - plus longue que la précédente ou plus courte (car la cible a besoin de longues).
Hmmm... C'est aussi une idée intéressante...
L'avez-vous essayé ?
Qu'est-ce qu'il y a dans le dossier ?
Hmmm... Une autre pensée intéressante...
L'avez-vous essayé ?
Qu'est-ce qu'il y a dans le dossier ?
Je ne l'ai pas fait, parce que je ne connais rien aux réseaux neuronaux et que je suis aussi bête qu'un samovar..... Je cherchais bêtement des sections similaires, mais ça ne se répète pas toujours comme dans le passé.
Dans le dossier :
Première colonne - résultat de l'événement (signe positif = bras long, signe négatif bras court)
Deuxième colonne - variante de l'événement " bras long ".
Troisième colonne - variante de l'événement "effet de levier court".
De manière générale, les deux colonnes les plus extérieures représentent un événement possible.
Dans le dossier :
Oh, je vois... Maintenant je vais essayer mais je vais faire le mien, parce que vous n'avez pas jeté des prix ou des signes, et il n'est pas clair comment la cible construit
et il n'est pas clair comment la cible se construit
Les modèles.
Quand on a besoin de décrire un extremum sous une forme plus humaine qu'un zigzag clair et pas très réaliste...
...
...
....
Ensuite, vous pouvez essayer d'entraîner un modèle de régression et voir ce qui se passe.
Formé...
Les données originales sont en gris, les données du modèle en bleu.
Nous avons également inséré une trace pour plus de clarté sur la façon dont le modèle s'estompe avec les nouvelles données.