L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 3203
![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 me fiche de vos signaux.
Pourquoi les nôtres ? Les vôtres.
Pourquoi les nôtres ? Les vôtres.
Vous avez trop chauffé ces derniers temps, vous et Sanych, prenez des vacances.
Merci, je prendrai en compte votre suggestion dans l'ordre du jour.
Lira est en fait en mode OnlyClose depuis des années. Il est plus utile d'appliquer MO au cardiogramme du voisin.
ZY Un problème de logique.
Il existe un pays où tout ne peut être acheté qu'en lires. Et absolument tout (même le salaire) a un prix en dollars américains, qui dépend du taux de change de la lire.
Aujourd'hui, la lire est devenue trois fois moins chère que le dollar américain. Était-il même théoriquement possible (pour un étranger ou un local) de gagner de l'argent sur ce marché ?
Je tiens à préciser d'emblée que nous ne parlons pas de la Turquie, mais d'un certain modèle idéal qui, à terme, devrait montrer exactement sur quoi les gains sont réalisés en temps réel. La Turquie est incluse.
Lira est en fait en mode OnlyClose depuis des années. Il est plus utile d'appliquer le MO au cardiogramme de votre voisin.
Nous nous entraînons sur des chats. Je viens de voir que s'il y a un comportement régulier, l'algorithme le trouve aussi, il ne se ré-entraîne pas pour le bruit.
Si l'œil nu le voit, le MO le trouvera, bien sûr. La tâche du MO est différente - trouver un modèle là où il n'est pas visible.
Si l'œil nu l'a vu, le MO le trouvera certainement. La tâche de l'OI est différente - trouver un modèle là où il n'est pas visible.
Si l'œil nu l'a vu, le MO le trouvera certainement. La tâche de l'OI est différente : il s'agit de trouver un motif là où il n'est pas visible.
Dites-moi, s'il vous plaît, en quoi la régularité diffère-t-elle de l'apprentissage par cœur du point de vue du MO ?
Par exemple, j'ai une idée en tête de ce à quoi devrait ressembler un schéma de 5 chandeliers. Je les marque sur le graphique, j'exécute le script d'exportation des prix, je l'envoie au réseau neuronal, qui apprend à quoi les motifs doivent ressembler et à quoi ils ne doivent pas ressembler (les étiquettes des autres ensembles de prix sont différentes), puis mon réseau neuronal marque ces motifs sur le graphique. En d'autres termes, je n'ai pas besoin d'écrire "si, alors", le réseau neuronal l'a appris et compris de lui-même. Je lui ai indiqué avec mon doigt le quoi et le comment.
Mais voici la tâche "trouver un modèle", qu'est-ce que c'est, en quoi diffère-t-elle de l'exemple avec apprentissage par cœur ?
Peut-être que trouver un modèle est une tâche trop compliquée et que le réseau neuronal se contente pour l'instant d'un "apprentissage par cœur" proportionnel à la puissance de l'ordinateur.
Dites-moi, s'il vous plaît, en quoi le patterning diffère de l'apprentissage par cœur ?
Par exemple, j'ai une idée en tête de ce à quoi devrait ressembler un pattern de 5 chandeliers. Je les marque sur le graphique, j'exécute le script d'exportation des prix, je l'envoie au réseau neuronal, qui apprend à quoi les motifs doivent ressembler et à quoi ils ne doivent pas ressembler (les étiquettes des autres séries de prix sont différentes), puis mon réseau neuronal marque ces motifs sur le graphique. En d'autres termes, je n'ai pas besoin d'écrire "si, alors", le réseau neuronal l'a appris et compris de lui-même. Je lui ai indiqué avec mon doigt le quoi et le comment.
Mais voici la tâche "trouver un modèle", qu'est-ce que c'est, en quoi diffère-t-elle de l'exemple avec apprentissage par cœur ?
Peut-être que trouver un modèle est une tâche trop compliquée et que le réseau neuronal se contente pour l'instant d'un "apprentissage par cœur" proportionnel à la puissance de l'ordinateur.
Deux cas de figure :
1. Vous pouvez marquer n'importe quoi. Le problème à l'avenir : avec quelle erreur votre MO trouvera ce que vous avez marqué.
2. Votre "marquage" n'a rien à voir avec la MO, dont la signification est différente, par exemple : nous formons des "enseignants", c'est-à-dire que nous marquons les zones du kotir, qui sont garanties d'avoir, par exemple, des bûches et des shorts. Nous donnons ensuite à l'algorithme MO ce "professeur" et un certain ensemble de données d'entrée, par exemple des valeurs d'indicateur. L'algorithme MO forme certains ensembles de valeurs indicatives qui correspondent aux valeurs de l'enseignant. Ce sont les modèles. En principe, ces modèles ne nous disent rien, mais le plus surprenant est que ces modèles se répètent à l'avenir, bien qu'avec une certaine erreur.
Deux circonstances :
1. Vous pouvez marquer n'importe quoi. Le problème à l'avenir est de savoir avec quelle erreur votre ministère de la défense trouvera ce que vous avez marqué.
2. Votre "marquage" n'a rien à voir avec la MO, dont la signification est différente, par exemple : nous formons un "enseignant", c'est-à-dire que nous marquons les zones du kotir qui sont garanties d'avoir, par exemple, des bûches et des shorts. Nous donnons ensuite à l'algorithme MO cet "enseignant" et un certain ensemble de données d'entrée, par exemple des valeurs indicatives. L'algorithme MO forme certains ensembles de valeurs indicatives qui correspondent aux valeurs de l'enseignant. Ce sont les modèles. En principe, ces modèles ne nous disent rien, mais le plus surprenant est que ces modèles se répètent à l'avenir avec une certaine erreur.