L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2464
![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Quel courtier utilisez-vous pour accéder à la Bourse de Moscou en utilisant MT ?
Vous avez interprété mon opinion au contraire, dans la nature la cible est la plus pratique - le plus "nécessaire" survit et se reproduit. Et il est nécessaire de former la cible la plus "pratique" sans la modifier en quoi que ce soit.
À propos des données, oui, les informations fournies à l'entrée, mais idéalement nous devrions former/recevoir - "yeux", "oreilles", "nez", etc.
1) sauf que "Pour entraîner un réseau neuronal, il faut des ensembles gigantesques de données soigneusement sélectionnées".
Pour créer un nouveau réseau neuronal, vous devez définir un algorithme, le soumettre à toutes les données, le tester et l'optimiser à plusieurs reprises. Cela est compliqué et prend du temps. Il est donc parfois plus facile d'utiliser des algorithmes plus simples, par exemple la régression.
2) Au début, j'ai aussi pensé que c'était simple (régression)... Mais la régression linéaire prête à confusion car, autant que je m'en souvienne, les prix sont non linéaires et le rendement est linéaire (si ce n'est pas l'inverse ?) - du moins pour les options sur les contrats à terme... Le plus triste est qu'une telle analyse n'est pas linéaire, et le retour est linéaire, et il est linéaire, si vice versa - au moins pour les options à terme... ax^2+bx+c=0, où b- vitesse, a- accélération, - mais le facteur temps devrait y être ajouté - en principe il est appliqué quand on considère des options de différentes dates d'expiration, mais les images 3D ne justifient pas toujours une telle bonté... Et le plus triste dans cette analyse, c'est que selon la DB CME, tous les prix sont alignés sur le strike central et je ne vois pas de possibilité de voir les déséquilibres dans le rapport, mais de suivre en temps réel (je ne suis pas arbitre, donc je ne peux pas m'en occuper)... Et tout n'est pas si linéaire, plutôt exponentiel dans la logique, et je ne veux pas croiser crocodile et rhinocéros (dans le modèle de 2 facteurs - temps et taux d'intérêt)... Il semble que dans la tarification des options, tout est déjà franchi...
3)
Tout est correct au sujet de l'objectif, mon objectif est parfait d'un signal à l'autre, si le signal est rentable alors mettez un s'il n'est pas rentable alors mettez 0 et rien d'autre, sauf que le profit peut être calculé avec la condition de spread !!!!
voici un autre algorithme d'apprentissage automatique possible - utilisant le théorème de Bayes (la description me semblait ainsi)... "Ces algorithmes sont utilisés pour traiter des documents textuels - par exemple, pour le filtrage du spam...". Les réseaux neuronaux, en revanche, fonctionnent de manière plus complexe - de couche en couche (apprentissage profond)...
Quoi qu'il en soit, j'ai examiné ces trois algorithmes d'apprentissage automatique - et jusqu'à présent, je me suis rendu compte que, du point de vue de la théorie des probabilités, il n'est PAS si facile de NE PAS surajuster la fonction cible dans votre modèle, sous peine de finir par sur-apprendre du mieux au pire et, surtout, de se fier uniquement à l'histoire... algorithme+données+conditions de sélection à la couche suivante = semble le plus logique (bien que seulement lorsqu'il s'agit de grandes quantités de données, mais ce n'est pas toujours le cas)
C'est probablement la raison pour laquelle (en raison de l'échec de deux algorithmes sur trois) les couches H.Grid sont plus prometteuses en matière de trading que la simple régression ou le théorème de Bayes... Mais au fond, comme pour moi, tout se résume à une programmation banale du processus de décision, en n'utilisant que des échantillons énormes pour étayer les décisions du robot avec des statistiques.... que, hélas, nous n'avons pas beaucoup, et qui ne centre pas tant les spécificités de la sortie que l'éventail des possibilités de l'ensemble des sorties... la même gamme... dans laquelle le prix flotte habituellement... (car le taux de change flottant génère lui-même de la volatilité)...
et le processus de décision du trader (et son propre apprentissage) ne peut être passé sans l'apprendre lui-même ... Le processus de décision d'un trader (et son propre apprentissage) ne peut être codé sans apprendre lui-même... Le codeur a alors quelque chose à transmettre au robot, mais, bien sûr, l'algorithme d'analyse des erreurs ne peut lui être transféré dans une matrice particulière (alors qu'il est présent dans le cerveau du codeur lui-même)... imho
Bon, je vais réfléchir à tête reposée à la manière de ne pas chambouler les choses (pour ne pas être surentraîné au pire)... Pr, OI, Volume - ce n'est qu'une partie des données pour les attentes et les décisions des traders de toute façon, et l'offre et la demande naissent d'eux, pas de modèles mathématiques... imho
(c'est-à-dire 5 facteurs, sans tenir compte de la politique fiscale et monétaire de 2 pays présents dans la cotation)
Mikhail Mishanin , merci pour le tuyau.
un point est un peu contradictoire avec votre point de vue ? (ce n'est pas tout à fait clair d'après la citation sur le lien).
En fait, les couches cachées exécutent une sorte de fonction mathématique. Nous ne le définissons pas, le programme apprend à sortir le résultat lui-même.
Ça ressemble à une stupide méthode de force brute... (comme dans un algorithme, par exemple pour le craquage de mots de passe)
p.s. et pourtant :
Le MO ne se souvient pas de l'histoire, peut-être que vous parlez de ré-entraîner le modèle.
donc vous ne pouvez pas rassembler beaucoup de données au moment présent pour charger les couches du réseau au lieu d'un simple processus de décision... donc, je penche toujours pour une utilité possible en RM, mais pas en TM
Quant au forum, si vous ne savez pas tirer des conclusions des réactions, vous pouvez fabriquer un tel robot SANS même l'apprentissage automatique, si votre propre cerveau ne vous aide pas... à un autre troll-reporter-talker.
Quant au forum, si vous ne savez pas tirer des conclusions des réactions, vous pouvez fabriquer un tel robot SANS même l'apprentissage automatique, si votre propre cerveau ne vous aide pas... à un autre troll-reporter devenu junkie.
Le ministère de la Défense ne se souvient pas de l'histoire, peut-être parlez-vous de recycler le modèle.
Comment peut-il ne pas se souvenir ? C'est exactement ce qu'il fait.
Avez-vous déjà rencontré l'expression "bases de données basées sur les réseaux neuronaux" ? Je suis tombé dessus une fois et je pense que c'est la meilleure définition de ce que sont les NS/arbres.
Un arbre peut être entraîné jusqu'à la dernière division, puis il se souviendra de tout l'historique avec une précision absolue (on obtient un modèle surentraîné).
Si ce n'est pas à la dernière division, mais à une division d'arrêt un peu plus tôt (par exemple par 10 exemples dans une feuille), alors nous obtenons la mémoire avec la généralisation et avec la moyenne des résultats de ces 10 exemples les plus semblables. Il y aura moins de sur-apprentissage. C'est-à-dire que vous devez arrêter la division lorsque le sous-apprentissage commence à se transformer en sur-apprentissage. C'est la tâche principale et la plus difficile.
Comment pourrait-il en être autrement ? C'est exactement ce qu'il fait.
Avez-vous déjà rencontré l'expression "bases de données basées sur les réseaux neuronaux" ? Je suis tombé dessus une fois et je pense que c'est la meilleure définition de ce que sont les NS/arbres.
Un arbre peut être entraîné jusqu'à la dernière division, puis il se souviendra de tout l'historique avec une précision absolue (on obtient un modèle surentraîné).
Si ce n'est pas à la dernière division, mais un peu plus tôt pour arrêter la division (par exemple par 10 exemples dans une feuille), alors nous obtenons la mémoire avec la généralisation et avec la moyenne des résultats de ces 10 exemples les plus similaires. Il y aura moins de sur-apprentissage. C'est-à-dire que vous devriez trouver la profondeur de la division avec un sur-apprentissage minimal.
S'applique au forex, se souvenir de l'histoire et faire un trade basé sur elle ?
Oui. Nous espérons que l'histoire se répétera. Peut-être en vain. Mais nous n'avons rien d'autre à espérer.
Oui. Nous espérons que l'histoire se répétera. Peut-être en vain. Mais nous n'avons rien d'autre à espérer.
Ils écrivent eux-mêmes un avertissement dans Signals, les réalisations passées ne disent pas que ce sera toujours le cas. Drôle
Ce qui est drôle, c'est que personne ne peut garantir - les actions des autres.
l'apprentissage machine, ne fonctionne plus que sur les statiques, Maximka vient de le prouver.