L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2590
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
Tout à l'heure, vous avez évoqué l'idée de combiner des mesures standard et des mesures personnalisées, ce qui, si j'ai bien compris, signifie que les modèles sont formés à l'aide de mesures standard et sélectionnés à l'aide de mesures personnalisées.
oui, en effet, les critères combinés sont meilleurs
Mais il existe de soi-disant métriques d'évaluation comme roc ou assgasu, le busing est arrêté par elles, bien qu'il soit entraîné en minimisant la perte de log. Ensuite, nous avons des mesures personnalisées.
Ensuite, vous pouvez exécuter des modèles dans l'optimiseur MT5 pour ajuster les paramètres du stop loss, et bien d'autres choses ingrates :)
Dans l'espace des paramètres du modèle ? Il a une énorme dimensionnalité. Ceci n'est possible que pour des modèles très simples avec un petit nombre de prédicteurs.
Il n'est pas très clair comment il est possible de construire une surface dans l'espace d'une dimensionnalité énorme. Nous avons simplement très peu de points par rapport à cette dimension. A moins que par certaines méthodes de visualisation de réduction d'échelle dimensionnelle comme l'ACP, etc.
Ensuite, vous pouvez également exécuter les modèles dans l'optimiseur MT5 pour ajuster les paramètres de stop loss, etc.
Avec quoi devez-vous le faire ? Ou bien parlons-nous des modèles écrits en MQL5 ?
Qu'est-ce que vous utilisez pour faire ça ? Ou bien parlons-nous de modèles écrits en MQL5 ?
Ou transféré, voir les articles sur catboost sur ce site (recherche). Le mien ou celui d'Alexey.
Mm, je n'ai pas encore compris comment python a été porté vers MQL5, mais j'ai découvert qu'apparemment, en utilisant une fonction dehttps://www.mql5.com/ru/articles/8642, on peut extraire des modèles catbust du code mql5. J'utilise principalement XGBoost, mais catbust est également possible). Je suis d'accord sur les réseaux neuronaux et les données tabulaires. D'après ce que j'ai compris, en utilisant le code de l'article, je peux utiliser les modèles Catbust, mais les autres bibliothèques ne le peuvent pas. C'est bien aussi. Maintenant, j'utilise une approche où je ne suis pas limité dans le choix des bibliothèques Python - je tire les modèles du code mql5 par l'API en Python. Dans ce cas, je ne suis pas limité par les bibliothèques, mais c'est plus lent, dans la variante de l'article - limité par les bibliothèques, mais apparemment la commande/ordre est plus rapide.
Oui, c'est exactement comme ça que je le vois... Reconstruire le PO et ensuite le visualiser via PCA...
Pour être honnête, ça n'a pas beaucoup de sens. Une projection en petites dimensions ne peut, en principe, représenter tout ce qui peut l'être dans le cas multidimensionnel. Les extrema, par exemple, peuvent être des points de selle - un maximum dans certaines variables et un minimum dans d'autres. Et si la surface n'est pas lisse, tout peut y arriver.
Théoriquement, il pourrait être un peu plus logique d'utiliser PLS au lieu de PCA.Pour être honnête, ça n'a pas beaucoup de sens. Une projection à faible dimension ne peut, en principe, représenter tout ce qui peut l'être dans le cas multidimensionnel. Les extrema, par exemple, peuvent être des points de selle - un maximum dans certaines variables et un minimum dans d'autres. Et si la surface s'avère être non lisse, tout peut s'y trouver.
Théoriquement, il pourrait être un peu plus logique d'utiliser PLS au lieu de PCA.Peut-être que la mise en œuvre actuelle n'a pas beaucoup de sens, mais l'essence de ce dont il s'agit est peut-être plus importante que cette branche entière
Mm, je n'ai pas encore compris comment python a été transféré à MQL5, mais j'ai compris qu'apparemment, en utilisant la fonction dehttps://www.mql5.com/ru/articles/8642, vous pouvez tirer des modèles catbust du code mql5. J'utilise principalement XGBoost, mais catbust est également possible). Je suis d'accord sur les réseaux neuronaux et les données tabulaires. D'après ce que j'ai compris, en utilisant le code de l'article, je peux utiliser les modèles Catbust, mais les autres bibliothèques ne le peuvent pas. C'est bien aussi. Maintenant, j'utilise une approche où je ne suis pas limité dans le choix des bibliothèques Python - je tire les modèles du code mql5 par l'API en Python. Dans ce cas, pas limité par les bibliothèques, mais plus lent, dans la variante de l'article - limité par les bibliothèques, mais apparemment commande/ordre plus rapide.
La version de l'article est déjà définitive, pour appliquer des modèles entraînés en python dans MT5 sans couches. Il enregistre les divisions d'arbres en c++ à partir du programme python et les traduit ensuite en code mql, plus la fonction de calcul des classes.
Super, il faudra que j'essaie un jour.
Super, il faudra que j'essaie un jour.