L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1892
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
Oui ! Je n'ai pas encore trouvé de bonne raison de passer par tous les types d'OMA si l'"écart" de qualité de reconnaissance entre toutes ces OMA est inférieur à 5%. Ils manquent tous manifestement d'informations (caractéristiques) pour une connaissance plus approfondie (meilleure classification) de l'objet, alors oui, j'ai commencé à travailler exclusivement sur les caractéristiques et les façons de présenter l'information.
A propos, il y a un paquet intéressant en python sur la génération automatique de caractéristiquesfeaturetools, je n'ai malheureusement pas réussi à l'exécuter dans R-ka, quelques problèmes avec python chez moi))))) Jetez-y un coup d'œil, je pense que c'est une chose intéressante.
Et quel type de prédicteurs avez-vous ajouté ?
Je ne me suis pas encore mis à python et R - très peu de temps :(
Je me demande quel genre de prédicteurs je peux trouver avec un canal de régression ? J'ai un coefficient, nombre de répétitions du vecteur de construction du canal, fixant les points où le prix franchit les frontières du canal.
Et peut-être qui sait comment le canal de régression est calculé dans MT5, si son point de fin est étendu au-delà de la date actuelle, c'est-à-dire dans le futur ?
Tout est possible.)
featuretools, malheureusement je n'ai jamais réussi à l'exécuter en R, j'ai quelques problèmes avec python)) Jetez-y un coup d'œil, je pense que c'est une chose intéressante.
penser ou prouver ? qu'est-ce qui est intéressant ?
In [12] : feature_matrix_customers Out [12] : zip_code COUNT(sessions) NUM_UNIQUE(sessions.device) MODE(sessions.device) SUM(transactions.amount) STD(transactions.amount) MAX(transactions.amount) SKEW(transactions.amount) MIN(transactions.amount) MEAN(transactions.amount) COUNT(transactions) NUM_UNIQUE(transactions.product_id ) MODE(transactions.product_id) DAY(date_de_naissance) DAY(join_date) YEAR(date_de_naissance) YEAR(join_date) MONTH(date_de_naissance) MONTH(join_date) WEEKDAY(date_de_naissance) WEEKDAY(join_date) SUM(sessions.SKEW(transactions.amount)) SUM(sessions.NUM_UNIQUE(transactions.product_id)) SUM(sessions.MAX(transactions.montant)) SUM(sessions.MIN(transactions.amount)) SUM(sessions.STD(transactions.amount)) SUM(sessions.MEAN(transactions.amount)) STD(sessions.SKEW(transactions.amount)) STD(sessions.NUM_UNIQUE(transactions.product_id)) STD(sessions.MAX(transactions.amount)) STD(sessions.SUM(transactions.amount)) STD(sessions.COUNT(transactions)) STD(sessions.MIN(transactions.amount)) STD(sessions.MEAN(transactions.amount)) MAX(sessions.SKEW(transactions.amount)) MAX(sessions.NUM_UNIQUE(transactions.product_id)) MAX(sessions.SUM(transactions.amount)) MAX(sessions.COUNT(transactions)) MAX(sessions.MIN(transactions.amount)) MAX(sessions.STD(transactions.amount)) MAX(sessions.MEAN(transactions.amount)) SKEW(sessions.NUM_UNIQUE(transactions.product_id)) SKEW(sessions.MAX(transactions.amount)) SKEW(sessions.SUM(transactions.amount)) SKEW(sessions.COUNT(transactions)) SKEW(sessions.MIN(transactions.amount)) SKEW(sessions.STD(transactions.amount)) SKEW(sessions.MEAN(transactions.amount)) MIN(sessions.SKEW(transactions.amount)) MIN(sessions.NUM_UNIQUE(transactions.product_id)) MIN(sessions.MAX(transactions.amount)) MIN(sessions.SUM(transactions.amount)) MIN(sessions.COUNT(transactions)) MIN(sessions.STD(transactions.amount)) MIN(sessions.MEAN(transactions.amount)) MEAN(sessions.SKEW(transactions.amount)) MEAN(sessions.NUM_UNIQUE(transactions.product_id)) MEAN(sessions.MAX(transactions.amount)) MEAN(sessions.SUM(transactions.amount)) MEAN(sessions.COUNT(transactions)) MEAN(sessions.MIN(transactions.amount)) MEAN(sessions.STD(transactions.amount)) MEAN(sessions.MEAN(transactions.amount)) NUM_UNIQUE(sessions.MODE(transactions.product_id)) NUM_UNIQUE(sessions.DAY(session_start)) NUM_UNIQUE(sessions.WEEKDAY(session_start)) NUM_UNIQUE(sessions.YEAR(session_start)) NUM_UNIQUE(sessions.MONTH(session_start)) MODE(sessions.MODE(transactions.product_id)) MODE(sessions.DAY(session_start)) MODE(sessions.WEEKDAY(session_start)) MODE(sessions.YEAR(session_start)) MODE(sessions.MONTH(session_start)) NUM_UNIQUE(transactions.sessions.device) NUM_UNIQUE(transactions.sessions.customer_id) MODE(transactions.sessions.device) MODE(transactions.sessions.customer_id) customer_id 1 60091 8 3 mobile 9025.62 40.442059 139.43 0.019698 5.81 71.631905 126 5 4 18 17 1994 2011 7 4 0 6 -0.476122 40 1057.97 78.59 312.745952 582.193117 0.589386 0.000000 7.322191 279.510713 4.062019 6.954507 13.759314 0.640252 5 1613.93 25 26.36 46.905665 88.755625 0.000000 -0.780493 0.778170 1.946018 2.440005 -0.312355 -0.424949 -1.038434 5 118.90 809,97 12 30,450261 50,623125 -0,059515 5,000000 132,246250 1128,202500 15,750000 9,823750 39,093244 72,774140 4 1 1 1 4 1 2 2014 1 3 1 mobile 1 2 13244 7 3 desktop 7200.28 37.705178 146.81 0.098259 8.73 77.422366 93 5 4 18 15 1986 2012 8 4 0 6 -0.277640 35 931.63 154.60 258.700528 548.905851 0.509798 0.000000 17.221593 251.609234 3.450328 15.874374 11.477071 0.755711 5 1320.64 18 56.46 47.935920 96.581000 0.000000 -1.539467 -0.440929 -0.303276 2.154929 0.013087 0.235296 -0.763603 5 100.04 634,84 8 27,839228 61,910000 -0,039663 5,000000 133,090000 1028,611429 13,285714 22,085714 36,957218 78,415122 4 1 1 1 1 3 1 2 2014 1 3 1 3 13244 6 3 bureau 6236.62 43.683296 149.15 0.418230 5.89 67.060430 93 5 1 21 13 2003 2011 11 8 4 5 2.286086 29 847.63 66.21 257.299895 405.237462 0.429374 0.408248 10.724241 219.021420 2.428992 5.424407 11.174282 0.854976 5 1477.97 18 20.06 50.110120 82.109444 -2.449490 -0.941078 2.246479 -1.507217 1.000771 -0.245703 0.678544 -0.289466 4 126.74 889.21 11 35.704680 55.579412 0.381014 4.833333 141.271667 1039.436667 15.500000 11.035000 42.883316 67.539577 4 1 1 1 1 1 2 2014 1 3 1 desktop 3 60091 8 3 mobile 8727.68 45.068765 149.95 -0.036348 5.73 80.070459 109 5 2 15 8 2006 2011 8 4 1 4 0.002764 37 1157.99 131.51 356.125829 649.657515 0.387884 0.517549 3.514421 235.992478 3.335416 16.960575 13.027258 0.382868 5 1351.46 18 54.83 54.293903 110.450000 -0.644061 0.027256 -0.391805 0.282488 2.103510 -1.065663 1.980948 -0,711744 4 139,20 771,68 10 29,026424 70,638182 0,000346 4,625000 144,748750 1090,960000 13,625000 16,438750 44,515729 81,207189 5 1 1 1 1 1 2 2014 1 3 1 mobile 4 5 60091 6 3 mobile 634966 44.095630 149.02 -0.025941 7.55 80.375443 79 5 5 28 17 1984 2010 7 7 5 5 0.014384 30 839.76 86.49 259.873954 472.231119 0.415426 0.000000 7.928001 402.775486 3.600926 4.961414 11.007471 0.602209 5 1700.67 18 20.65 51.149250 94.481667 0.000000 -0.333796 0.472342 -0.317685 -0.470410 0.204548 0.335175 -0.539060 5 128.51 543.18 8 36.734681 66.666667 0.002397 5.000000 139.960000 1058.276667 13.166667 14.415000 43.312326 78.705187 5 1 1 1 3 1 2
Je me demande quel genre de prédicteurs on peut trouver avec un canal de régression.
Je suis arrivé à la conclusion qu'il vaut mieux ne pas penser et ne pas inventer, mais écrire une sorte d'algorithme de réécriture qui va synthétiser les traits et les vérifier, si le trait est bon, alors le laisser, s'il est mauvais, alors l'écarter, ainsi vous pouvez passer par des millions de variantes, c'est clairement plus efficace que l'invention humaine.
Ensuite, nous pouvons améliorer et modifier les bons signes, puis encore, encore et ainsi de suite jusqu'à ce que l'erreur diminue.
J'ai été inspiré par les écrits d'Ivakhnenko et la méthode MSUA. J'aime la philosophie de la méthode elle-même.
penser ou prouver ? qu'est-ce qui est intéressant là ?
J'ai écrit que je ne pouvais pas exécuter le paquet, comment puis-je prouver quoi que ce soit si je ne l'ai même pas touché, j'ai lu la documentation, il y a quelques astuces, il est logique d'essayer, mais je ne l'ai pas essayé pour les raisons décrites ci-dessus
tu ne peux pas trouver le moyen, le std et le mod par toi-même.
Pour toute série thaïlandaise, c'est exactement ce dont vous avez besoin. Vous n'avez donc pas besoin de le faire à la main.
Cela devrait être mis dans le LSTM, qui a été mentionné ici.
tu ne peux pas trouver le milieu, le std et la mode toi-même.
ce n'est pas si primitif, lisez la suite
Mais au final, vous devrez écrire votre propre synthétiseur de fonctions, bien sûr.
Ce n'est pas si primitif que ça, lisez la suite.
j'ai presque fini mon bot ! les tests seront bientôt terminés
combien d'envies de geomoro ont dû être surmontéesJ'ai presque fini mon bot ! Les tests arrivent !
attendre)
Il fait du commerce sur les neurones depuis trois ans maintenant. Je lui ai parlé personnellement. Il gère des comptes depuis au moins 100.000.000. Ouvrez son profil et vous verrez tous ses comptes. Il l'a fait. Alors vous aussi. Si vous ne le faites pas maintenant, vous réussirez plus tard. N'abandonnez pas.)
Il l'a fait, et il négocie sur un compte de démonstration depuis trois ans).
Il y est parvenu et c'est pourquoi il négocie sur un compte de démonstration depuis trois ans maintenant ?)
Et voilà.
ils ont piétiné l'illusion de devenir riche...