L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1607
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
Max ! As-tu essayé d'utiliser des règles associatives pour trouver des modèles, comme l'algorithme d'Arriori ou similaire ?
Eh bien, les réseaux bayésiens... ils prennent beaucoup de temps à apprendre. Si vous ne savez pas quoi enseigner, vous n'en avez rien à faire.
Je pense que vous devez utiliser le clustering (HMM, mélanges gaussiens), diviser le marché en plusieurs clusters et vous entraîner pour chacun d'eux. Alors ça marche. Pas encore de temps.
il y a des librairies spéciales séparées pour générer des caractéristiques fictives, et ensuite vous pouvez les mettre dans un buster, et ce sera la même chose
l'algorithme mgua lui-même est faible en ce sens qu'il utilise une régression ordinaire, ce qui fait qu'il n'a pas de caractéristiques précises.
et comment s'appelle ce processus en anglais ?
quel est le nom de ce processus de provisionnement des fonctionnalités en anglais ?
quelque part dans la section de prétraitement, par exemple pour python
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.PolynomialFeatures.html
ou les méthodes du noyau
https://github.com/gmum/pykernels
Alors je ne vois rien de nouveau ou d'original dans cette méthodologie.
Eh bien, les réseaux bayésiens... ils prennent beaucoup de temps à apprendre. Si vous ne savez pas quoi enseigner, vous vous en fichez.
Je pense que vous devriez utiliser le clustering (HMM, mélanges gaussiens), diviser le marché en plusieurs clusters et vous entraîner pour chacun d'eux. Alors ça marche. Je n'ai pas encore le temps pour ça.
Tu as tout à fait raison, Maximka, non pas dans le sens de méthodes spécifiques, mais dans le sens d'une séparation de principe dans l'approche du marché. Mais vous avez besoin d'une équipe pour cela, et lorsque vous avez une grande équipe, vous pouvez faire beaucoup de travail et de recherche et trouver des méthodes et des approches qui seront uniques. Vous devez être différent sur le marché.... Unique. Tu ne crois pas ? :-)
Sur un bon point, lorsque la qualité d'un système est sa capacité à rester sur la tendance......
Là, tu as tout à fait raison, Maximka, non pas dans le sens de méthodes spécifiques, mais dans le sens d'un partage de principe dans l'approche du marché. Mais cela nécessite une équipe, et lorsque vous avez une grande équipe, vous pouvez faire beaucoup de travail et de recherche et trouver des méthodes et des approches qui sont uniques. Vous devez être différent sur le marché..... Unique. Tu ne crois pas ? :-)
quand l'équipe est grande, on en a assez de faire tout pour tout le monde
Quand l'équipe est grande, vous vous épuisez à faire tout pour tout le monde.
Pour ceux qui suivent le sujet. Continuer à s'entêter à regarder vers le bas....
Il est difficile de demander quoi que ce soit ici, tout commence par le prétraitement des données, et c'est ce dont vous ne voulez pas parler... (
OK... Je me demande
1) L'algorithme fonctionne-t-il sur les devises ?
2. le réseau construit-il la prévision pour une durée fixe de n bougies ou décide-t-il lui-même de la durée de la prévision ?
3. pourquoi le traitement du signal est si long : 12-13 secondes par bougie.
4. pourquoi voulez-vous diffuser les accords publiquement ?
5. pour les prédictions, utilisez des données sous forme de fonction (prix, indicateur) ou quelque chose de plus délicat.
la meilleure visualisation est l'accord
OK, c'est parti...
D'abord, la vue d'ensemble :
- ça commence facilement, on collecte les données avec un bot dans le testeur, on fait un csv, chaque ligne un vecteur ;
- Réseau Keras via Tensoflow, une super connaissance n'est pas nécessaire, un livre sur les réseaux neuronaux + quelques manuels ;
- Vous pouvez utiliser Google Colab, c'est correct pour commencer, mais il a ses propres nuances ;
- Ensuite, vous commencez par AD, si vous avez une idée unique et géniale sur les données à fournir au réseau, vous devez trouver 99 autres idées tout aussi uniques, car la 101e fonctionnera, et même cela n'est pas certain ;
- résultat standard : le réseau n'apprend pas.
Quelques conseils (lavés dans le sang) :
- ne cherchez pas de solutions sophistiquées, c'est facile :
-- J'ai obtenu mon premier résultat sur un Séquentiel simple couche,
-- n'essayez pas de prédire le prix -- c'est une utopie, vous devez poser une simple question à la hausse ou à la baisse, puis, si vous l'obtenez, creuser davantage.
-- puces en vecteur de 100-200, pas plus, moins ne fonctionnera pas,
-- Essayez de passer toute la nuit pour 1000 époques, vous verrez si cela fonctionne après 100,
-- ...guettez les premiers signes d'aptitude au dressage et foncez.
-- N'aidez pas le réseau neuronal avec des béquilles comme des déviateurs, il doit apprendre lui-même,
-- L'augmentation du nombre de données d'entrée ne sera pas utile, il suffit de 50-60 milliers pour 100 caractéristiques.
Maintenant, les réponses aux questions :
1) L'algorithme fonctionne-t-il sur les devises ?
J'ai obtenu les premiers résultats pour l'EURUSD, mais il s'avère par la suite que les transactions courtes sont un peu mieux entraînées pour les prédictions courtes, je ne sais pas pourquoi.
2. les prévisions sont faites pour une durée fixe de n chandeliers à l'avance ou le filet lui-même indique la durée.
Oui, elle devrait être fixe car nous lui donnons une réponse fixe pendant la formation.
3. pourquoi le signal met si longtemps à être traité 12-13 sec par bougie
parce que maintenant mon pronostic est composé de l'opinion agrégée de 20 modèles, obtenir une réponse de l'un d'entre eux prend 0,5 seconde, vous pouvez résoudre ce problème de manière asynchrone, mais je ne sais pas comment...
4. pourquoi visez-vous la diffusion publique des métiers ?
J'ai dépensé beaucoup de ressources, je dois les regagner.
5. les données pour la prévision doivent être utilisées sous la forme d'une fonction (prix, indicateur) ou quelque chose de plus délicat.
Les données sont utilisées comme une fonction (prix, indicateur) ou plus délicate.