L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1189
![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
Je n'ai rien vu dans la branche sur les critères d'information(Bayesian ou Akaike). Peut-être sont-ils utilisés par défaut (dans les paquets MO appliqués) ?
l'entropie croisée est utilisée ou la perte logarithmique.
pour la classification multiclasse et binaire respectivement
pour la moyenne quadratique des tâches de régression. (rms) et similaires
Je crois que c'est Akaike
l'entropie croisée est utilisée ou Log Loss
pour la classification multiclasse et binaire respectivement
pour la moyenne quadratique des tâches de régression. (rms) et similaires
Je suppose que c'est ce qu'est Akaike.
On dirait que oui.
Vérifié PCA et LDA pour le prétraitement des prédicteurs (se débarrasser de la colinéarité). Comme prévu, cela ne fonctionne pas avec les nouvelles données car les composants eux-mêmes commencent à sauter, bien que le modèle puisse être entraîné sur eux un peu mieux dans une remorque. Mais comme les composants eux-mêmes se comportent de manière imprévisible sur les nouvelles données, c'est la même chose et même pire. En général, bon nombre des techniques classiques de MO ne sont tout simplement pas applicables au marché.
En raison de la non-stationnarité, il est parfois nécessaire d'écarter l'historique obsolète :
1) Nous avons besoin d'un algorithme approprié pour écarter la partie obsolète de l'échantillon (recherche de discontinuité).
2) La partie restante de l'échantillon sera toujours de longueur variable et souvent courte. Nous avons besoin de bons modèles ici aussi.
Maxim Dmitrievsky:
Cela a déjà été mis en œuvre dans le nouvel article, mais pas exactement comme nous le souhaiterions.
De quel article parle-t-on ?
De quel article parle-t-on ?
qui a été soumis à la modération, pas encore publié
il existe une autre approche, que je considère comme la plus prometteuse pour le moment : le forçage brutal des modèles par l'énumération des variables de sortie.
En gros, le trader virtuel effectue des transactions un nombre pseudo-aléatoire de fois (comme Monte Carlo ou la génétique), à chaque fois il surveille ses transactions et corrige les mauvaises positions, les positions non rentables en gros, pour qu'elles deviennent rentables.
après chaque passage, il se réentraîne sur des transactions corrigées. Ceci est déjà mis en œuvre dans le nouvel article, mais pas tout à fait comme nous le souhaiterions. Nous avons besoin de combinaisons intéressantes de sorties qui dépendent des conditions actuelles du marché, par exemple de la dispersion et de la pente sur n barres. Pour chacune de ces caractéristiques, une distribution est sélectionnée à partir de laquelle des transactions aléatoires sont échantillonnées, puis, de la même manière, des transactions à perte sont corrigées et entraînées sur elles. Après un grand nombre de passages, la stratégie optimale est recherchée (sur la base de l'erreur minimale sur l'échantillon de test).
Chers connaisseurs, soyez attentifs, Question: Comment organiser de manière intéressante les dépendances des caractéristiques probabilistes actuelles du marché et des distributions à partir desquelles les sorties aléatoires sont échantillonnées. Dans ce cas, le nombre de transactions et certaines dépendances à l'intérieur du modèle changent, c'est-à-dire que nous obtenons un grand nombre de modèles (solutions) rentables différents, parmi lesquels le modèle optimal est sélectionné selon un critère d'optimisation personnalisé (erreur de modèle, stabilité sur les nouvelles données).Les sorties semblent avoir un sens lorsque le prélèvement sur le capital est supérieur à celui spécifié et que sa croissance est trop lente par rapport à la volatilité (faible rapport entre l'asymétrie et la variance).
Il n'est pas très clair comment cette approche aidera à combattre la non-stationnarité).
qui a été soumis à la modération, pas encore publié
merci, je vais attendre, maintenant je ne vais pas le manquer !
article intéressanthttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
et le blog en général
article intéressanthttp://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
et le blog en général.
Avez-vous essayé d'exprimer son indicateur en code ?