L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 193
![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 m'amuse avec le neurone de convolution depuis un moment maintenant. Cela n'a pas fonctionné jusqu'à présent, mais au moins j'ai compris comment m'y préparer et prévoir. Voici un code simple avec des commentaires, et un tableau pour le test.
Il y a deux couches de convolution et une couche cachée normale. Le modèle entraîné finit par produire toujours "1" sur la sortie (achat). L'idée est d'avoir des dizaines, et non pas 2 couches de convolution, et ensuite des semaines pour s'entraîner, et il n'y a aucune garantie de succès. Mais ça vaut le coup d'essayer.
J'ai reprogrammé forex_mxnet.txt, il y avait une erreur, pour une fonction softmax le nombre de sorties sur la dernière couche doit être égal au nombre de classes. Dans ce cas, l'option avec régression n'est pas du tout possible.
1) Je ne suis pas 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, ayant deux prédicteurs, le clustering en 2 clusters donnera seulement des clusters bleus et rouges.
2) Peut-être parlez-vous de modèles ? Schéma vert - le prix descend puis remonte. Jaune : le prix augmente à partir du bas. Rouge : haut->bas. Tu as bien compris ?
Au départ, nous ne savons pas quels prédicteurs sont bons et lesquels sont mauvais, si nous les regroupons tous en une seule fois dans un modèle (stochastique+rsi+masd.......) = clusters 1,2,3,4,5..... alors nous tiendrons compte des prédicteurs inutiles aussi, nous ne saurons même pas qu'ils sont inutiles...
Nous devons regrouper chaque prédicteur
K1 = (stochastique) = clusters 1,2,3,4,5....
K2 = (rci) = clusters 1,2,3,4,5....
K3 = (masse) = clusters 1,2,3,4,5....
puis nous recherchons les combinaisons par le nombre de clusters entre les combinaisons de modèles
К1
K1 et K2
K2 et K3
K1 et K3
K1 et K2 et K3
2) Correct, dans ce contexte, les clusters et les modèles sont la même chose.
Les grappes et les modèles sont différents. Les groupes sur un vecteur sont des intervalles, c'est-à-dire que la liste de toutes les valeurs d'indicateur admissibles est divisée en plusieurs zones. Mais dans ce cas, les intervalles 2 et 3 de votre photo sont une seule et même chose.
Mais si vos deuxième et troisième clusters sont nécessairement des choses différentes, alors ce ne sont plus des clusters, mais des modèles.
Les grappes et les modèles sont différents. Les groupes sur un vecteur sont des intervalles, c'est-à-dire que la liste de toutes les valeurs d'indicateur admissibles est divisée en plusieurs zones. Mais dans ce cas, les intervalles 2 et 3 de votre photo sont une seule et même chose.
Mais si vos deuxième et troisième clusters sont nécessairement des choses différentes, ce ne sont plus des clusters, mais des modèles.
Si nous regroupons non pas la dernière valeur de l'indicateur, mais, par exemple, 10 dernières valeurs dans la fenêtre glissante, nous obtenons un groupe avec un certain nombre qui prend en compte les caractéristiques numériques et géométriques de l'indicateur (pentes, etc.).
Qu'est-ce que c'est, un groupe ou un modèle ?
Ai-je répondu à votre question ou n'ai-je pas compris la question ? :)
Ai-je répondu à votre question ou ai-je mal compris la question ? :)
C'est ici que je regarde comment le comité de tous les modèles disponibles se comporte lors de la validation par rapport aux approximations naïves : achat seulement, vente seulement, directions aléatoires.
Bai est légèrement en avance sur cet échantillon.
Il y a un autre échantillon retardé à venir pour valider le comité peu assorti. Il est possible que la vente soit meilleure. Mais ce qui compte, c'est la façon dont le comité des modèles se comporte...
Corrélation avec le schéma que j'ai donné :
Bai est légèrement en tête sur cet échantillon.
Si le graphique des prix est en hausse dans cette période, il sera statistiquement plus rentable d'ouvrir une transaction d'achat, de la conserver et de la fermer. Non pas que ce soit "rentable", mais la perte sera moins importante que si vous ouvrez aussi au hasard une transaction de vente et la maintenez pendant un certain temps. C'est pourquoi l'achat et la vente sont si joliment symétriques autour des transactions aléatoires. Ce n'est pas le modèle lui-même qui tire la couverture à lui, c'est le prix qui l'accompagne avec succès.
PS ) Tout compris de la propagation. Par conséquent, le caractère aléatoire est distribué en dessous de zéro.
Ça a l'air bien en général, je me demande ce qui va se passer à la fin.
À propos du comité - j'ai publié quelques exemples, mais il existe des modèles qui utilisent la régression avec arrondi pour classer, et ce n'est pas aussi clair. J'ai essayé deux façons différentes de combiner les votes :
1) arrondir tout en classes, et prendre la classe qui obtient le plus de votes.
C'est-à-dire avoir une prévision pour 4 barres à partir de trois modèles.
c(0,1, 0,5, 0,4, 0,4) c(0,6, 0,5, 0,7, 0,1) c(0,1, 0,2, 0,5, 0,7) Je l'arrondis ensuite aux classes
c(0, 1, 0, 0) c(1,1,1,0) c(0,0,1,1) , et le vecteur final avec les prédictions serait c(0, 1, 1, 0) par nombre de votes.
2) l'autre option consiste à trouver tout de suite le résultat moyen, et seulement ensuite à l'arrondir aux classes.
le résultat serait c((0.1+0.6+0.1)/3, (0.5+0.5+0.2)/3, (0.4+0.7+0.5)/3, (0.4+0.1+0.7)/3)
soit (0,2666667, 0,4000000, 0,5333333, 0,4000000), soit
c(0, 0, 1, 0)
C'est ici que je regarde comment le comité de tous les modèles disponibles se comporte lors de la validation par rapport aux approximations naïves : achat seulement, vente seulement, directions aléatoires.
Bai est légèrement en avance sur cet échantillon.
Il y a un autre échantillon retardé à venir pour valider le comité peu assorti. Il est possible que la vente soit meilleure. Mais ce qui compte, c'est la façon dont le comité des modèles se comporte...
Corrélation avec le schéma que j'ai donné :