L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2128
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
Apparemment, je n'ai pas compris la question.
Il n'y a pas d'interpréteur de modèle sur MT5 avec des prédicteurs de catégorisation et CatBoost avec la ligne de commande peut faire tout comme la version python, sauf les trucs purement python comme la visualisation.
L'avez-vous fait ensemble, cet interprète, ou sur votre ordre ? Eh bien, je vais devoir voir ce qui manque...
Ce n'est pas un projet commercial. Mon rôle a été réduit aux tests actifs de la solution.
Si vous pouvez trouver une solution, ce sera bon pour la communauté.
Et en général, jusqu'à présent, je n'ai pas vu, ce qui serait vraiment des signes catégoriques pour donner une augmentation - mais, a essayé il ya longtemps, j'ai des prédicteurs décrivant des situations locales, comme si catégorique, mais ne sont pas venus.
pas de multiclasse, d'après ce que je sais.
Pas encore de régression.
Si je le fais, ce sera un analyseur de modèles formés de python à mql. Pas encore brûlé, mais vous pourriez en avoir besoin.
Je peux aussi enregistrer des modèles pour python.
A quoi sert la régression ?
Il peut être utile pour les modèles qui fonctionnent pour fixer des arrêts. Parfois, il peut être nécessaire de prédire la MA à travers une douzaine de barres :)
Lesquelles de vos caractéristiques/transformations donnent de bons résultats ?
Le résultat de la valeur du prédicteur dépend de la cible :) Je fais juste une expérience pour sélectionner les meilleurs niveaux de quantification. Les prédicteurs qui n'ont pas passé le seuil minimum sont filtrés. Il est encore trop tôt pour le dire, mais les premiers résultats sont positifs. Le processus est long en un seul fil - plus d'une journée. Je dois utiliser davantage de critères pour estimer les niveaux quantiques - je le ferai - l'idée est de creuser là où il y a un signal. Plus tard, je prendrai plus de parcelles, je filtrerai l'échantillon et j'apprendrai seulement où il y a une réponse - probablement déjà l'arbre génétique fonctionnera - pour extraire les feuilles.
J'ai fait une chose intéressante, je peux transformer n'importe quel ensemble de données, marqué ou non, en l'améliorant.
C'est intéressant - vous pouvez l'essayer sur celui que j'ai lié. Il est vrai qu'il y a une erreur dans certains prédicteurs (lorsqu'ils ont été sauvegardés, ils étaient écrits en int et non en double - j'ai supprimé ma quantification et j'ai oublié), mais pour une comparaison relative, cela n'a pas d'importance.
A propos, si vous avez besoin de calculer ce qui est relativement lourd - je peux calculer - maintenant il y a une opportunité.
C'est intéressant - vous pouvez l'essayer sur celui dont j'ai posté le lien. Il y a une erreur dans certains prédicteurs (lorsqu'ils ont été sauvegardés, ils étaient écrits en int et non en double - j'ai supprimé ma quantification et j'ai oublié), mais pour une comparaison relative, cela n'a pas d'importance.
A propos, si vous avez besoin de calculer ce qui est relativement lourd - je peux calculer - maintenant il y a une opportunité.
Je cherchais un développement très concis de mon approche et je suis tombé sur quelque chose d'intéressant... Ou plutôt, ce n'est pas que je ne le savais pas avant, je n'ai juste pas pensé à l'utiliser... et puis, d'une manière ou d'une autre, les puzzles se sont mis en place.
Ce n'est pas la panacée, mais cela donne des résultats intéressants. Je verrai plus tard.
Je cherchais un développement très concis de mon approche et je suis tombé sur quelque chose d'intéressant... Ou plutôt, ce n'est pas que je ne le savais pas avant, je n'ai juste pas pensé à l'utiliser... et puis, d'une manière ou d'une autre, les puzzles se sont assemblés...
Ce n'est pas la panacée, mais cela donne des résultats intéressants. Nous verrons plus tard.
J'attends avec intérêt !
L'écart ne peut être battu après une simple décorrélation, mais le modèle est plus stable sur les nouvelles données sans écart. Tout modèle surajusté pour les séries fonctionne sans écart sur n.d., mais est bien meilleur sur un plateau que le premier (il fonctionne aussi avec un écart). Cela montre clairement une reconversion vers la sérialisation et rien d'autre. Je sais que c'est difficile à comprendre, mais ça l'est 🤣 Si vous regardez à nouveau les images, vous verrez des pics de distribution plus élevés et peut-être des queues, sur la première. C'est la sérialité, la volatilité, peu importe. Il change presque immédiatement sur les nouvelles données, d'où l'overfit. La deuxième photo du bas n'en a pas, c'est tout ce qui reste, et dans ce fatras, il faut chercher un Alpha qui bat le spread. Regardez simplement vos données et supprimez au moins la sérialité, ou transformez-les d'une manière ou d'une autre pour supprimer les queues. Et ensuite, regardez la distribution des classes de ce qui reste, y a-t-il des groupes normaux ou un hasard complet comme le mien ? De cette façon, vous pouvez même voir visuellement si l'ensemble de données fonctionne ou non. Et puis vous pouvez mélanger la validation avec trayn, ça n'affectera rien. Et vous dites "juste une photo".
Tu dois le faire, Fedya, tu dois le faire !
Travailler jour et nuit sans sommeil ni repos ))))
Êtes-vous des robots ?
Travailler jour et nuit sans sommeil ni repos ))))
Nous devons le faire, Fedya, nous devons le faire !
:))))