L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 316
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
http://radikal.ru/video/6X0MyhuW8Bp
Vidéo intéressante. Quel est l'intérêt ?
Quel est l'intérêt ?
Dans le clustering.
L'apprentissage automatique peut, en gros, être appelé "clustering". Il y a un certain hyperespace de prédicteurs, et la nécessité de le diviser en plusieurs sous-espaces, où un point appartenant à un sous-espace particulier (classe) signifie pour le forex l'action de trading - dans le cas de 3 classes - "acheter", "vendre", "sortir".
La vidéo montre clairement l'apprentissage sans professeur sur deux prédicteurs (X et Y), la façon dont le regroupement automatique modifie les limites des sous-espaces en fonction de la quantité de données. En ce qui concerne le forex, cela montre métaphoriquement la durée du backtest, et comment son changement (durée) affecte le résultat du clustering. Un modèle formé sur une semaine de données voit et sait beaucoup moins de choses qu'un modèle formé sur deux, trois, etc. semaines.
La deuxième partie de la vidéo montre comment l'expert évalue le résultat du regroupement et apporte des ajustements au modèle. L'expert voit que les 3 classes obtenues ne sont pas suffisantes et peut inspecter au moins 6 classes, puis l'expert ajuste les paramètres du modèle en fonction de son expérience afin que le modèle absorbe correctement ces 6 classes.
Il s'agit d'une idée générale. À mon avis, cette étape est impossible dans le Forex, car il y a des dizaines de prédicteurs et il est difficile de percevoir plus de trois dimensions. Si je comprends bien, cette étape comprend l'expérience non pas de la correction manuelle, mais de la correction automatique, lorsque la modification des paramètres du modèle s'accompagne d'une simulation de transaction, où le critère de paramètres bien choisis est une bonne transaction.
L'apprentissage automatique peut, en gros, être appelé "clustering". Il existe un certain hyperespace de prédicteurs, et la nécessité de le diviser en plusieurs sous-espaces.....
Et qui vérifie la qualité du code de ces réseaux ?
https://www.mql5.com/ru/forum/190948
Oui, c'est soit ceci, soit cela, mais pas en même temps.
Vous avez besoin d'au moins trois personnes - le manager, le trader et le développeur de logiciels, une équipe cohésive, le manager devrait pratiquer la construction d'équipe, le trader devrait faire la moyenne, et le développeur devrait utiliser le design peters partout et même si l'un d'eux pratique la programmation en binôme, alors cela fonctionnera.Un archiviste est également nécessaire. Et sur le côté...
Après mes expériences sur l'eurusd avec différents modèles, il me semble que le prix est fortement réglementé afin d'apporter plus de profit aux courtiers et aux banques.
Une situation typique - nous formons un modèle sur quelques semaines de données, puis sur de nouvelles données, nous n'obtenons que 50 % de transactions rentables (aléatoires, en fait), et une perte lente dans le spread.
Mais si nous expérimentons avec les modèles et essayons de rechercher des schémas, nous verrons une situation un peu différente - certains schémas sont rentables pendant quelques semaines, puis tombent soudainement à 50% de réussite, c'est-à-dire au hasard. Mais un mois ou deux plus tard, ils fonctionnent à nouveau, mais il faut négocier contre leur prédiction. Et après quelques semaines, leur prédiction redevient aléatoire à 50%. Et quelque part dans le futur, ils seront à nouveau rentables. Etc.
De tout cela, je tire la conclusion suivante : les banques fixent les prix en fonction de leurs programmes, de leurs algorithmes. Ces programmes, ils les modifient périodiquement, utilisent différentes combinaisons d'entre eux, modifient les prix dans le sens inverse de ce que leur programme suggère, etc., tout cela afin de créer une nouvelle situation sur le marché. Sinon, leurs algorithmes auraient été découverts et utilisés contre eux.
Et en même temps, les personnes qui font de la téléanalyse ou de l'apprentissage automatique essaient de rechercher des modèles qui existent depuis longtemps. Et les modèles changent en un claquement de doigt ou se contredisent eux-mêmes, pas étonnant que le commerce soit si difficile.
Les modèles de travail doivent tenir compte de tout cela - et du fait que les modèles ne fonctionnent que dans certains segments de temps, parfois en sens inverse, et être capables de comprendre, à partir de la situation actuelle, quel ensemble de modèles utiliser.
Tout est futile ?
Je constate qu'ici aussi, on comprend peu à peu, bien que lentement et avec difficulté, que
le marché est un système dynamique contrôlé.
Mais la prise de conscience de ce fait nous oblige à reconsidérer la manière dont nous la regardons et la décrivons.
Il faut ensuite comprendre que les méthodes statistiques ne sont pas des méthodes adéquates permettant de construire un modèle adéquat du marché et qu'elles ne conviennent que pour "parler" des queues. Queues plus fines ou plus épaisses.
;)
Après mes expériences sur l'eurusd avec différents modèles, il me semble que le prix est fortement réglementé afin d'apporter plus de profit aux courtiers et aux banques.
Une situation typique - nous formons un modèle sur quelques semaines de données, puis sur de nouvelles données, nous n'obtenons que 50 % de transactions rentables (aléatoires, en fait), et une perte lente dans le spread.
Mais si nous expérimentons avec les modèles et essayons de rechercher des schémas, nous verrons une situation un peu différente - certains schémas sont rentables pendant quelques semaines, puis tombent soudainement à 50% de réussite, c'est-à-dire au hasard. Mais un mois ou deux plus tard, ils fonctionnent à nouveau, mais il faut négocier contre leur prédiction. Et après quelques semaines, leur prédiction redevient aléatoire à 50%. Et quelque part dans le futur, ils seront à nouveau rentables. Etc.
De tout cela, je tire la conclusion suivante : les banques fixent les prix en fonction de leurs programmes, de leurs algorithmes. Ces programmes, ils les modifient périodiquement, utilisent différentes combinaisons d'entre eux, modifient les prix dans le sens inverse de ce que leur programme suggère, etc., tout cela dans le but de créer une nouvelle situation sur le marché. Sinon, leurs algorithmes auraient été découverts et utilisés contre eux.
Et en même temps, les personnes qui utilisent la téléanalyse ou l'apprentissage automatique essaient de trouver des modèles qui existent depuis longtemps. Et les modèles changent en un claquement de doigts ou se contredisent, pas étonnant que le commerce soit si difficile.
Les modèles de travail doivent tenir compte de tout cela - et du fait que les modèles ne fonctionnent que dans certains segments de temps, parfois en sens inverse, et être capables de comprendre, à partir de la situation actuelle, quel ensemble de modèles utiliser.
Tout est futile ?
Je ne m'attendais pas à de telles pensées de la part d'une personne saine d'esprit :)
Le rasoir d'Occam : "Ne créez pas d'entités inutiles".