L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 192

 
Yury Reshetov:

Le monde entier a attendu ce moment avec impatience.

Et maintenant, c'est enfin arrivé !

La version 12 de jPrediction, qui génère le code des classificateurs ternaires entraînés en MQL, a été publiée. Les utilisateurs de MetaTrader ne doivent plus porter les codes de classificateurs ternaires de Java à MQL. Tout le code pour MQL est maintenant stocké dans des fichiers avec l'extension mqh.

(Vifs applaudissements et cris de "Hourra !")

Mais ce n'est pas tout. jPrediction 12 est maintenant environ 12% plus rapide que la version précédente!

(Applaudissements nourris en lançant des bonnets)

De nombreux utilisateurs de jPrediction peuvent télécharger et utiliser la version 12 gratuitement en la téléchargeant sur mon site web (lien dans mon profil, premier message sur ma page d'accueil).

(Frappe des touches et mouvement des indicateurs de téléchargement sur les moniteurs)

Les félicitations sont acceptées aussi bien verbalement que par écrit. Vous pouvez également recevoir des cadeaux et des transferts d'argent via WebMoney.

Je suis embarrassé de vous demander pour quelle version du MKUL ? 4 ou 5 ? ??
 
Mihail Marchukajtes:
Je suis gêné de demander, pour quelle version de MKUL ? 4 ou 5 ? ??
Je l'ai vérifié sur la version 5. Mais il n'y a pas d'OOP et d'autres fonctionnalités typiques uniquement pour la version 5. Il semble donc qu'il devrait y avoir une compatibilité avec le 4 ? IMHO bien sûr, car je n'ai pas vérifié sur les 4.
 
Yury Reshetov:
Je l'ai vérifié sur la 5ème version. Mais il n'y a pas d'OOP et d'autres caractéristiques typiques uniquement de la 5. Il semble donc qu'il devrait y avoir une compatibilité avec la 4ème, non ? Bien sûr, je ne le pense pas, puisque je ne l'ai pas vérifié sur le 4.

Super, je viens de vérifier le code que Prediction génère avec le code que j'ai écrit, le résultat est le même. J'étais juste inquiet de savoir si j'avais fait une erreur, comme vous vous en souvenez avec 1d, maintenant que je l'ai vérifié, le résultat est identique. A partir d'aujourd'hui la sélection du signal pour l'achat était si mauvaise que j'ai décidé de laisser celui d'hier et je n'ai pas perdu, et j'ai optimisé la sortie 12 avec de meilleurs résultats mais j'ai moins d'entrées... j'en ai seulement trois. Donc, dans l'ensemble, tout va bien, mais il faudra voir plus de détails demain. Alors demain, je ferai un rapport plus précis..... Bref, la peinture à l'huile d'aujourd'hui... jugez-en par vous-même.....Pour se plaindre. Et permettez-moi d'expliquer à nouveau les signaux que le réseau a définis comme "Je ne sais pas" (points sans flèche). Nous déterminons par le fait. Pour aujourd'hui, c'est vrai. Donc, quand le net dit "je ne sais pas", cela signifie que c'est vrai...

 
Yury Reshetov: La version 12 de jPrediction a été publiée...
L'exemple qu'il donne aux autres est une science ;
Mais, mon Dieu, quel ennui
S'asseoir avec un homme malade jour et nuit,
Sans faire un pas en arrière !
Quelle insidieuse bassesse
Pour amuser un homme à moitié mort,
Pour ajuster ses oreillers,
Pour lui apporter tristement le médicament,
Et soupirer et penser à soi-même :
Quand le diable vous prend !)))
 
Aujourd'hui est le même jour qu'hier, j'ai donc décidé de ne pas réentraîner les modèles, mais de faire du commerce avec eux. Je ne peux donc pas encore évaluer pleinement le travail de la 12e version. Mais le moment venu, je ferai un rapport :-)
 

J'ai trouvé un paquet qui vous permet d'approfondir les algorithmes du MoD, je ne le comprends pas du tout moi-même, mais quelque chose me dit que c'est un bon paquet, peut-être que quelqu'un sera intéressé...

ч

kit de fête

 
.
N+1: научные статьи, новости, открытия
  • nplus1.ru
Чуть больше, чем наука
 

La 14ème version de jPrediction est sortie.

La nouvelle version dispose d'un algorithme amélioré pour identifier et supprimer les prédicteurs non significatifs des modèles.

Vous pouvez télécharger gratuitementjPrediction 14 et l'utiliser pour des tâches de classification en le téléchargeant sur mon site web (lien dans mon profil, post le plus haut sur ma page d'accueil).

 

Les exemples (indicateurs) ne sont donnés qu'à titre d'illustration. Je ne recommande pas l'utilisation d'indicateurs.

Imaginons un instant la situation suivante : nous disposons de 5 prédicteurs et du prix, nous devons prédire le mouvement du prix avec une probabilité élevée( disons, plus de 70%)) et nous savons à l'avance qu'il n'existe qu'un seul modèle dans ces prédicteurs qui peut être utilisé pour prédire le marché avec une telle précision. C'estalors que leRSI et le stochastique font un mini zigzag vers le bas dans la zone de ~50


sq

À propos, remarquez que le motif se situe pour ainsi dire dans deux plans de vision, numérique (motif dans la zone ~50 ) et figuratif (zigzag - image), donc lorsque vous recherchez des motifs, il est logique de considérer ces plans...

C'esttout, il n'y a plus de modèles de travail dans ces prédicteurs, tout le reste n'est que du bruit, ces trois premiers indicateurs sont du bruit à l'origine, et dans leRSI et le stochastique il n'y a qu'un seul modèle, tout le reste dans leRSI et le stochastique est aussi du bruit total....

Maintenant, réfléchissons à la manière dont nous pouvons rechercher de tels modèles dans les données... Les modes opératoires conventionnels peuvent-ils le faire ?

La réponse est non, pourquoi ?

Comme la cible du MO vise à prédire tous les mouvements, il s'agit soit d'un zigzag, soit d'une couleur de trace ou... chandelier ou direction ou... ou.. .toutes les cibles forcent les MOs à prédire tous les mouvements de prix , et ceci est impossible dans les prédicteurs de bruit sous 99%...

Je vais raconter une petite histoire avec la morale, j'ai créé un échantillon synthétique de 20 prédicteurs, 4 prédicteurs interagissant ensemble, expliquent complètement la cible, les 16 autres prédicteurs étaient juste du bruit aléatoire, après l'entraînement sur les nouvelles données, lemodèle"OOS" a deviné toutes les nouvelles valeurs, il a montré une erreur de 0%..... La morale de cette fable est la suivante : s'il y a des prédicteurs dans les données qui peuvent expliquer complètement la cible, le MI sera formé et l'OOS se comportera normalement... Nos résultats montrent le contraire, dans les échantillons que nous alimentons en MI, il y a plus de 5% d'informations utiles qui peuvent expliquer 5% de la cible, et nous voulons 100% de ces informations, vous savez l'utopie de l'approche ? C'est pourquoi les MOs se surentraînent, nous les faisons se surentraîner nous-mêmes en voulant prédire tout à 100%.

Pour en revenir au point principal, comment rechercher ces modèles de travail ? Comment trouver cette "aiguille" de robustesse dans la "pile " de données ?

Je suggère de se débarrasser du MO en principe, il suffit de décomposer chaque prédicteur en petits morceaux de situations similaires (modèles) et en essayant toutes les combinaisons possibles et en les comparant avec la cible, nous trouverons ce que nous cherchons... Maintenant, comment décomposer les prédicteurs ? avec quoi ?

La réponse est simple, même si je ne l'ai pas réalisée tout de suite, il suffit de regrouper stupidement chaque prédicteur en, disons, 30 clusters.

fd

Il suffit de répartir chaque prédicteur dans ces groupes et d'essayer différentes combinaisons entre eux pour trouver des modèles qui fonctionnent, comme dans l'image - lorsque la stochastique a le groupe 1 et le RSI le groupe 2, il y aura une croissance...

Voici maintenant l'essentiel de la méthode de recherche de modèles de travail

C'est notre échantillon hypothétique, lacible.L'étiquette est la cible, qui signifie, disons, croissance/décroissance.

dat cluster1 cluster2 cluster3 cluster4 cluster5 target.
                                                
                                                  
                                                   
                                                
                                                
                                                 
                                                 
                                                 
                                                  
                                                 
                                                 
                                                 
                                                  
                                                
                                                 
                                                
                                               
                                                 
                                                 
                                                
                                                 étiquette1        24        5       18       21       16            1
2         2       15       12        7       22            1
3        13       13       16       29       24            0
4        23       28       22       10        4            1
5         6       12       20       25       11            0xml-ph-00
Tableau 1

Exemple de recherche de croissance

nous recherchons les lignes qui sont répétées au moins 10 fois dans l'ensemble de l'échantillon et dans chacun des groupes identiques trouvés qui ont été répétés, le nombre de "1" dans target.label devrait être supérieur à 70% de "0".


cluster1 cluster2 cluster3 cluster4 cluster5 target.label                   
                                                 
                                                 
                                                 
                                                 
                                                1        24        5       18       21       16            1
2        24        5       18       21       16            1
3        24        5       18       21       16            0
4        24        5       18       21       16            1
5        24        5       18       21xml-ph-0032@dee
 Talb. 2

voici les lignes identiques trouvées avec plus de uns que de zéros...

C'est essentiellement de cette manière que nous avons trouvé la combinaison de clusters qui est un modèle de travail...

De plus, il est nécessaire d'essayer non seulement toutes les combinaisons possibles de numéros de clusters dans chaque prédicteur mais aussi les combinaisons de clusters elles-mêmes qui ne prennent que 1 et 4 clusters ou 1, 3, 5 clusters etc....

Avantages de la méthode par rapport à la MO habituelle, ou plutôt même pas d'avantages, c'est ce qui est absent de la MO, mais le bon sens veut que ce soit...

1) La méthode n'explique que la partie de la cible qu'elle peut réellement expliquer et n'essaie pas d'expliquer la totalité de la cible à 100% comme le font toutes les MP, y compris Reshetova.

2)La méthode est profonde - elle ne se contente pas de sélectionner les meilleurs prédicteurs, elle sélectionne les meilleures situations au sein des prédicteurs eux-mêmes, c'est une méthode d'analyse beaucoup plus profonde que les autres RI.

3) En raison des points 1) et 2) la méthode trouve automatiquement les indicateurs qui
séparent parfaitement le plan des caractéristiques

qe

4) il y a une certaine barrière statistique équitable quand on trouve un groupe de situations identiques (voir tableau 2) il devrait y avoir 10 minimum (il est possible de réguler), ce minimum donne l'espoir que le résultat statistique sur la cible sera fiable, dans les MO conventionnels il ne peut y avoir que deux situations similaires qui sur la cible se sont terminées par, disons, une chute et tout ! Le MO le considérera déjà comme un modèle court, avec seulement deux observations, comprenez le caractère effrayant de la situation ?

5) Il y a une barrière de probabilité équitable , lorsque nous trouvons un groupe de situations identiques, voir tableau 2, le nombre de uns dans ce groupe (pour une longue durée) devrait être supérieur de 70% aux zéros, cela donne aussi l'espoir que la probabilité est forte et non aléatoire.... Encore une fois, nous ne l'avons pas dans le mode opératoire normal où 1% de zéros serait un motif de désir, c'est aussi effrayant, n'est-ce pas ?

6) L'algorithme fonctionne avec des corrélations dans les prédicteurs, tous les IR ne le font pas.

7) Il est facile de visualiser ou de programmer le modèle trouvé, en d'autres termes, vous pouvez tout simplement comprendre.

interpréter le motif, tous les IR ne savent pas le faire

Les exemples (indicateurs) ne sont donnés qu'à titre d'illustration, je déconseille fortement l'utilisation des indicateurs.

 
mytarmailS:

Je ne suis pas tout à fait sûr de ce que vous entendez par "regroupement". En général, on ne regroupe pas un prédicteur particulier, mais on en prend une douzaine, et on trouve des zones dans l'espace où ces points se regroupent. Par exemple, dans l'image ci-dessous, avec deux prédicteurs, le regroupement en 2 clusters nous donnera des clusters bleus et rouges.

Peut-être parlez-vous de modèles ? Schéma vert - le prix descend puis remonte. Jaune : le prix augmente. Rouge : haut->bas. Tu as compris ?