L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2611
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
99% de probabilité ou 0,99 sans pourcentage
Tu es un homme effrayant !
Pour avoir ce genre de probabilité et communiquer avec de simples mortels... ? - ce n'est pas réel...
Tu es un homme effrayant !
Avoir une telle possibilité et communiquer avec de simples mortels... ? - ce n'est pas réel...
allez ;)
le fait est que peu importe les efforts des traders, la plupart d'entre eux finissent par négocier des contre-tendances.
regardez la distribution des volumes sur le CME, ils sont publiés dynamiquement en ligne et le comportement du prix
Cela ne veut dire qu'une chose : le prix est contraire à la plupart des prix.
acheté - prix en baisse et vice versa.
et il en a été ainsi et il en sera toujours ainsi
parce que :
https://www.mql5.com/ru/forum/86386/page2605#comment_28636383
Ce n'est pas une bonne idée d'élaborer une stratégie basée sur les informations de la FMC.
parce que.
dès qu'ils s'en aperçoivent, ils savent comment rejeter les mauvaises informations.
Je suis passé par là, je l'ai fait ;)
Il s'agit d'une sorte de boosting, comme l'a souligné Alexei.
Amélioration à chaque itération, compte tenu de l'échantillonnage de l'examen
Mais l'arrière n'est pas bon (à gauche), mais parfois c'est mieux.
Il existe de nombreux paramètres, que je ne vais pas expliquer en détail. J'ai décrit l'idée du mieux que j'ai pu.
si vous attendez 100 itérations
Il s'agit d'une sorte de boosting, comme l'a fait remarquer Alexei.
Amélioration à chaque itération, compte tenu de l'échantillonnage de l'examen
Mais l'arrière n'est pas bon (à gauche), mais parfois c'est mieux.
Il existe de nombreux paramètres, que je ne vais pas expliquer en détail. J'ai décrit l'idée du mieux que j'ai pu.
Fondamentalement, j'ai juste besoin de regarder 2 graphiques (équité), tous sur OOS pur : 1 - premier modèle, formé, sans aucune caractéristique supplémentaire, 2 - après toutes ces procédures décrites. Vous pouvez également utiliser les métriques PF, RF et winrate. Et donc ce n'est pas clair, quel est l'effet, une belle courbe d'apprentissage est, comme je comprends, sur les SI ?
En fait, il suffit de regarder deux graphiques (actions), tous sur de purs OOS : 1 - le premier modèle, formé, sans aucune fioriture, 2 - après toutes ces procédures décrites. Vous pouvez également utiliser les métriques PF, RF et winrate. Et donc ce n'est pas clair, quel est l'effet, une belle courbe d'apprentissage est, comme je le comprends, sur les SI ?
premier tiers du graphique - nouvelles données, non impliquées dans l'apprentissage
les images avec 25 et 100 itérations montrent une amélioration à 100, bien que le maximum soit autour de 70Il y a une question comme celle-ci :
Deux modèles sont utilisés. L'un prédit d'acheter ou de vendre, l'autre d'échanger ou de ne pas échanger.
D'abord, le premier modèle est entraîné, puis nous regardons où il prédit mal, nous marquons ces exemples comme "ne pas échanger", les autres bons comme "échanger", et nous enseignons cela au deuxième modèle.
Le premier modèle est testé non seulement dans la zone de formation mais aussi dans la zone supplémentaire et le second modèle est formé dans les deux zones.
Nous répétons cette opération plusieurs fois, en réentraînant les deux modèles sur le même ensemble de données. Les résultats s'améliorent progressivement sur les échantillons. Mais pas toujours sur l'échantillon de contrôle.
Parallèlement à cela, nous conservons un journal des mauvaises transactions cumulées pour toutes les passes, toutes les "mauvaises" transactions pour "ne pas échanger" sont collectées dans ce journal pour l'entraînement du second modèle et filtrées selon un certain principe : plus il y a de copies de mauvaises transactions pour toutes les passes, plus il y a de chances de les marquer comme "ne pas échanger".
Par exemple, pour chaque date, un certain nombre de mauvaises transactions est accumulé pour toutes les itérations de l'apprentissage, lorsque ce nombre dépasse un seuil (moyenne, moyenne), ces transactions sont marquées comme "ne pas négocier". Les autres transactions sont ignorées, sinon il serait possible d'exclure toutes les transactions s'il y a beaucoup d'itérations d'entraînement.
Le coefficient vous permet d'ajuster le nombre de transactions à la sortie, plus il est faible, plus le nombre de transactions filtrées est élevé.
... à ce stade, je suis déjà fatigué d'écrire ...
Comment améliorer une telle combinaison de modèles pour qu'elle améliore ses résultats sur une nouvelle parcelle indépendante ?
Y a-t-il une philosophie qui explique pourquoi cela pourrait fonctionner ? Outre le fait que les modèles s'améliorent naturellement (l'erreur diminue) à chaque cycle de réentraînement, mais comment se débarrasser de l'ajustement ?
Illustration. Le graphique est divisé en 3 parties. Le dernier forme le premier modèle, l'avant-dernier et le dernier le second, le premier tiers est un échantillon d'examen. Naturellement, la dernière section sera la meilleure et le premier tiers la pire.
Ici, il y a eu 15 itérations de réentraînement des deux modèles, en utilisant le journal des mauvaises transactions.
cela ressemble à une classification multi-label triviale - nous ne devrions pas faire varier la combinaison des modèles, mais la combinaison des prédicteurs -- tout d'abord, la division des prédicteurs en caractéristiques des actions smart & retail... parce que bien sûr il y aura des signaux contraires, mais les points d'entrée OTF (pour la rupture des niveaux) - c'est déjà Edge pour la sélection du modèle (action dtf ou otf sur le marché)... imho
==========
ou sans marquage, mais juste avec LSTM avec possibilité d'oublier les portes, donc pas besoin de filtrer séparément à partir de 2 modèles... mais c'est une question de goût...
J'ai obtenu une régression sur IBM (données de test de fin 2021 - là, la queue droite sur le graphique des prix est représentée sur le graphique du train et du test).... ... simplement par Close...
- ... J'ai une MA triviale - et elle fonctionnera toujours dans une tendance (quelle que soit la façon dont elle fonctionne), pas dans un plat - le comportement smart & retail devrait être filtré en plus (et le modèle devrait être repensé pour classer les entrants et les sortants...).
ressemble à une classification multi-label triviale - ce n'est pas la combinaison des modèles qui devrait être variée, mais la combinaison des prédicteurs - tout d'abord la division des prédicteurs en caractéristiques des actions smart & retail... parce que bien sûr il y aura des signaux contraires, mais les points d'entrée OTF (pour la rupture des niveaux) - c'est déjà Edge pour la sélection du modèle (action dtf ou otf sur le marché)... imho
==========
ou sans balisage, mais juste avec LSTM et couches, pour ne pas avoir à filtrer séparément à partir de 2 modèles... mais c'est une question de goût...
J'ai obtenu une régression sur IBM (données de test de fin 2021 - là, la queue droite sur le graphique des prix est représentée sur le graphique du train et du test).... ... simplement par Close... - Nous avons une MA triviale - et elle fonctionnera toujours dans une tendance (peu importe comment), pas dans un plat - le comportement smart & retail devrait être filtré en plus (et le modèle devrait être redessiné pour classer les entrants et les sortants...).
Il ne s'agit pas d'un multilabel, la signification est différente. Exclure les mauvais signaux de manière itérative, laisser ceux qui sont bien prédits par le modèle principal dans la pile commune, et le second modèle apprend à séparer les mauvais des bons, interdire ou autoriser la négociation du premier.
lstm produit toujours MA, testé il y a longtemps