L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 353
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
Si l'on parle de minutes, le marché est statistiquement homogène, c'est-à-dire que les statistiques varient peu (stables) d'une semaine à l'autre, d'un mois à l'autre. Je ne sais pas, je n'ai pas étudié la question sur des périodes plus longues. Autant que je me souvienne, vous travaillez sur 1 min.
15 min est l'unité de temps de base, ou OHLC pour 1 min, mais c'est toujours 15 min. J'aimerais utiliser ticks mais l'optimisation est très lente, le testeur est en train d'être écrit en C++ et peut être terminé beaucoup plus rapidement.
En principe, si vous sur-optimisez souvent sur les petites périodes, vous pouvez le faire sur les minutes. Pas le Graal, bien sûr, mais tu peux gagner quelque chose.
Comme promis, j'ai publié sur mon blog un bref rapport sur la tâche de reconnaissance du croisement MA NS - NEUROSETS ET MOVING AVERAGE
Les nouvelles, les articles, etc. parlent des réalisations des réseaux neuronaux, par exemple qu'ils peuvent distinguer les chatons des chiots, etc. Mais il s'agit apparemment de réseaux commerciaux ou expérimentaux très coûteux, que les commerçants ordinaires ne peuvent pas se permettre et ne peuvent pas développer.
Les NS dont nous disposons (par exemple de R ou d'ALGLIB) peuvent-ils distinguer les choses primitives comme les triangles, les carrés et les cercles les uns des autres ? Tout comme les jeux d'apprentissage pour les enfants de 2-3 ans.
Il me semble que les matériaux sur ce sujet peuvent être rangés dans une nouvelle branche https://www.mql5.com/ru/forum/192779 de sorte que (s'il y a un résultat et une opportunité de répéter l'expérience) on puisse le trouver et le répéter, et ici sur 350 pages il est déjà difficile de trouver quelque chose....Les nouvelles, les articles, etc. parlent des réalisations des réseaux neuronaux, par exemple qu'ils peuvent distinguer les chatons des chiots, etc. Mais il s'agit apparemment de réseaux commerciaux ou expérimentaux très coûteux, que les commerçants ordinaires ne peuvent pas se permettre ou développer.
Et NS peut-elle (par exemple à partir de R ou d'ALGLIB) distinguer les choses primitives, telles que les triangles, les carrés et les cercles les uns des autres ? Tout comme dans les jeux éducatifs pour les enfants de 2-3 ans.
Variante bien et absolument difficile - les chiffres volumétriques...
Je ne connais pas Alglib, mais vous pouvez le faire en R, vous avez besoin d'une matrice d'entrée d'environ 16x16. Cela représente 256 neurones par entrée). Eh bien, peut-être un peu moins. Vous pouvez trouver des implémentations prêtes à l'emploi pour un problème similaire sur le web.
Vous pouvez également le faire avec la rotation, mais le NS sera plus profond et plus compliqué. Personnellement, je vais passer mon tour)).
Bien que, pour la construction de TC, je ne vois pas l'application de vos problèmes sous cette forme.
Bien que, pour la construction de TC, je ne vois pas l'application de vos tâches particulières sous cette forme.
Je veux juste m'assurer que les réseaux dont nous disposons peuvent gérer des tâches simples avant de les appliquer à des tâches commerciales plus complexes.
Je veux juste m'assurer que les réseaux dont nous disposons peuvent gérer des tâches simples avant de les appliquer à des tâches commerciales plus complexes.
Les carrés et les cercles peuvent être reconnus sans problème avec le MLP classique. Si vous approfondissez un peu le sujet, vous rencontrerez la tâche classique de reconnaissance de chiffres manuscrits MNIST, là, le MLP ordinaire remonte à 97 %, puis à un autre demi pour cent, et commence alors à danser avec le tambourin. En fait, un tel schéma situationnel est reconnu dans de nombreuses tâches en ML, généralement la bataille n'est pas pour des résultats suffisants, et pour 3-5 décimales dans une fourchette.
Après des expériences avec MA, à ce stade, je vois le principal problème de l'utilisation de NS dans TC dans la préparation des données alimentant les entrées de NS. Les données brutes sont probablement immangeables pour la plupart des NS.
Cette branche a été créée principalement pour résoudre ce problème. Mais il est beaucoup plus utile de s'assurer par sa propre expérience de l'importance de cette question. Vous êtes au début d'un voyage difficile mais intéressant.
Bonne chance
PS. En R, et à travers lui Python, tous les réseaux neuronaux les plus sophistiqués actuellement connus sont disponibles. Vous devez juste apprendre à les utiliser.
Ouais et puis merde.
Prendre stupidement la chose la plus simple, une forêt aléatoire. Habituellement, nous obtenons des cours à la suite d'une formation. En réalité, l'algorithme donne la probabilité de la classe, à partir de laquelle on obtient la classe. Habituellement, nous divisons la probabilité en deux pour deux classes.
Pourquoi ne pas diviser en classes : 0 - 0,1 est une classe et 0,9 - 1,0 en est une autre ? Et l'écart entre 0,1 et 0,9 est hors marché ?
C'est ce que j'ai vu dans l'article.
Ce problème est résolu de manière plus correcte et plus élégante danscalibrate::CORELearn/.
Et ce, depuis un certain temps déjà.
Bonne chance