L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3227
![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
Il semble qu'un graphique d'optimisation puisse montrer à quel point le processus de recherche est difficile. Nous y voilà donc.
Graphique de recherche d'un motif dans la série originale.
Honnêtement, je ne vois pas de différence notable. Ce graphique ne semble pas nous apprendre quelque chose d'intéressant.
Malheureusement, il s'agit là d'hypothèses qui doivent être concrétisées et testées.
Maxim Dmitrievsky essaie ses options, j'essaie les miennes.Oui, bien sûr, chaque approche doit être testée.....
Voici une autre méthode Python pour générer des séries temporelles à partir d'un échantillon.
Le sujet est intéressant, mais je ne peux pas encore y consacrer suffisamment de temps.
Le sujet est intéressant, mais, jusqu'à présent, je n'ai pas eu l'occasion d'y consacrer suffisamment de temps.
Je me demande si Kaggle pourrait le faire.....
Le hasard est-il battu en brèche pour les prix ? Pourquoi ne pas utiliser la méthode Kaggle lorsqu'il existe un échantillon LONG fermé ? Ensuite, il faut faire un backtest sur cet échantillon et OnTester montre le gagnant immédiatement.
Comme nous sommes loin de l'algo-trading, je vous informe que les cotations MQ-Demo ont un potentiel de gain très faible. En gros, si je connais l'avenir, je gagnerais 100 euros sur MQ-Demo avec une exécution parfaite, et 1000 euros sur XXX-Demo. Cela suggère que de nombreux modèles existants (négociés sur le marché réel et non dans les cuisines) ne peuvent tout simplement pas être testés.
Par conséquent, si vous voulez, par exemple, attirer les scalpers, qui ont une signification statistique très élevée des résultats, vous devez changer quelque chose dans la source de citation de MQ-demo. Aujourd'hui, il n'est pas adapté à de nombreuses études.
Il semble qu'un graphique d'optimisation puisse montrer à quel point le processus de recherche est difficile. Nous y voilà donc.
À quoi servent ces graphiques ?
Eh bien, supposons que vous trouviez des modèles dans l'HISTOIRE et que vous appreniez à en générer de semblables.
Pourquoi ?
Nous avons besoin de ces graphiques répétitifs, après lesquels une section bien définie suit LÉGALEMENT. Exactement APRÈS, dans l'AVENIR. Toute la science économique peut être divisée en deux parties : l'analyse et la prédiction. Mais la prédiction ne découle PAS de l'analyse, car toutes les données financières ne sont PAS stationnaires.
D'où les modèles MO.
Tout modèle MO est capable de trouver des modèles, des tracés similaires sur des données historiques. Ce qui est fondamental en MO, c'est que ces schémas - PATTERNS - sont mis en accord avec la valeur FUTURE de l'enseignant. Une telle approche n'est possible que dans le modèle MOE - FUTURE.
Par ailleurs, dans le GARCH, on recherche un modèle mathématique et on prédit l'avenir, en espérant que le modèle trouvé ne changera pas.
Il est peu probable qu'un seul modèle fonctionne bien pour différentes devises. Il faut donc un modèle différent pour chaque devise.