L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2289

 

Il est possible de générer de longues séries synthétiques, respectivement

il est intéressant de noter qu'un petit décalage de la moyenne dans la série originale donne un effet de tendance très fort si vous générez beaucoup de données.

Il s'avère qu'un tel modèle ne fonctionnerait que sur un marché réel dont la moyenne est manifestement décalée.

Mais ceci est facilement corrigé en obtenant une série avec les mêmes régularités, mais diminuant


 

Entraîné sur les générés, testé sur les réels... pour l'instant à titre expérimental...

Parfois, ça marche. Il est nécessaire de comprendre comment générer, pour quels cas, etc.


 
Maxim Dmitrievsky:

Entraîné sur les générés, testé sur les réels... pour l'instant à titre expérimental.

Parfois, ça marche. Il faut un certain temps pour comprendre comment générer, pour quels cas, etc.


Cool, le recyclage devrait aider

Est-ce un auto-codeur ? Comment le vecteur latent serait-il ouvert, quelles caractéristiques de rangées il a mémorisées, etc.
 
Rorschach:

cool, ça devrait aider à la reconversion

Est-ce un auto-codeur ? Comment s'ouvre un vecteur latent, quelles caractéristiques de rangées il a mémorisées, etc.

Mélanges gaussiens.

Je pense que cette simulation est mieux adaptée aux martingales et à l'évaluation de la stabilité des TS.

 

Je vais vous dire un peu comment je vois les régularités sur le marché.

Il y a un certain modèle (point de départ), puis une série d'événements (règles) se produit et nous obtenons un résultat (Y).

Les données sont bidimensionnelles

1) extremum (S = soutien R = résistance)

2) prix de l'extremum


Voici à quoi ressemblent les données au départ

price lab
 1.0   R
 0.0   S
 0.4   R
 0.0   S
 0.3   R
-0.3   S
-0.1   R
-0.5   S
-0.1   R
-0.5   S

motif initial

données de l'étude

J'ai utilisé l'algorithme SPADE (utile sur le wiki) et j'ai dû convertir les données dans un format légèrement différent, tel que le format d'événement

[1] "(-0.2)S"  "(2.2)R"   "(1.1)S"   "(3.1)R"   "(2.2)S"  
 [6] "(2.8)R"   "(1.2)S"   "(2.5)R"   "(1.9)S"   "(3)R"    
[11] "(2.4)S"   "(5.1)R"   "(3.4)S"   "(4.5)R"   "(4.1)S"  
[16] "(4.5)R.1" "(4)S"     "(5.3)R"   "(4.8)S"   "(7.3)R"  
[21] "(4.9)S"   "(6.2)R"   "(3.9)S"   "(5.5)R"   "(4.9)S.1"
[26] "(5.7)R"   "(4.8)S.1" "(6.2)R.1" "(4.8)S.2" "(5.5)R.1"
[31] "(4.2)S"   "(5.7)R.1" "(4.9)S.2" "(6.6)R"   "(6)S"    
[36] "(7)R"     "(6.1)S"   "(8.5)R"   "(7.6)S"   "(8.2)R"  
[41] "(7.6)S.1" "(8.3)R"   "(7.8)S"   "(8.4)R"   "(7.6)S.2"

C'est à peu près la même chose, mais sous une forme différente.


Exécuter l'algorithme, chercher les règles...

Je vous le dis tout de suite, l'algorithme trouve des règles très fortes...

Je vais vous en montrer un...


Le motif est .

price lab
0.4   R
0.0   S
1.0   R

...suivi d'une série d'événements après lesquels le résultat...

 "(-0.3)S"   "(-0.6)R"   "(-0.6)R.1" "(-0.6)R.2"


Il s'agit d'une approche fondamentalement nouvelle de la recherche de modèles sur le marché. SPADE présente de nombreux inconvénients et limites, et je pense déjà à un autre algorithme qui recherche des règles auto-écrites ...

Voici donc quelques idées et tâches non triviales...

 
Personne n'a écrit une martingale sur les réseaux neuronaux ? Google ne donne aucun résultat.
 
Maxim Dmitrievsky:
Personne n'a écrit une martingale sur les réseaux neuronaux ? Google ne donne aucun résultat.

Alors l'intérêt de l'IA est perdu

 
Maxim Dmitrievsky:
Personne n'a écrit une martingale sur les neuronets ? google donne 0 résultat
Le crâne de Neuronkey se fissure ;)
 
Vitaly Muzichenko:

Alors l'intérêt de l'IA est perdu

poste

Je veux dire enseigner le trading par martinOM, pas faire la moyenne des trades après la formation.

 
Maxim Dmitrievsky:

e-mail

Je veux dire pour enseigner le trading Martin, pas pour faire la moyenne des transactions après la formation.

Je ne peux même pas imaginer par où commencer et à quoi ça devrait ressembler. Je ne sais même pas par où commencer et à quoi ça devrait ressembler.