L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 41
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
Entraînez un neurone qui produira le contraire de ce que vous voulez, tout comme le vôtre, mais à dessein. Mais quel est l'intérêt de faire ça ? :)
Je ne le fais pas exprès, je l'ai juste formé et je le vois ;)
La recette est la suivante .
1) former deux réseaux séparément pour l'achat et pour la vente, j'ai pris le réseau "neuronal profond" est important parce que la sortie d'un tel réseau n'est pas 01010101, et la probabilité de 01010
2) Je prends simplement les sorties de deux réseaux et je construis une différence de sommes cumulées et j'obtiens ce qui est sur l'image...
Dans la première image, les probabilités sont affichées en bas (sorties des deux réseaux telles quelles) et la différence cumulée (telle quelle) est affichée en haut avec le prix.
sur la deuxième image, c'est la même chose et le signe de la différence cumulative est inversé (renversé) pour une meilleure clarté
=======================================
Si ce processus est prédit pour quelques chandeliers à venir, au moins pour un, c'est un graal;)) Je n'ai pas encore réussi
a attendu toute la journée pour des commentaires, personne n'est intéressé ???
La question elle-même n'est pas claire.
Faites attention. Il existe près de 200 modèles. Si vous n'avez pas commencé à les maîtriser, je vous le recommande. Il ne s'agit pas seulement de modèles, mais de beaucoup d'autres choses très utiles.
Il prédit tout avec quelques pas d'avance si vous le souhaitez.
Les modèles de régression accumulent les erreurs des étapes précédentes.
Pour les modèles de classification, l'erreur augmente, mais pas en raison du nombre de pas en avant.
Notez que pour les séries temporelles, il est toujours possible d'agrandir la TF et de prédire d'un pas, ce qui correspondrait à prédire de plusieurs pas sur une TF plus petite.
Besoin d'une sorte d'outil qui pourrait prédire quelques étapes à l'avance en utilisant un ensemble de prédicteurs.
mytarmailS:
Il faut une sorte d'outil qui puisse prédire quelques étapes à l'avance en utilisant un ensemble de prédicteurs.
Regardez rminer. Paquet très bien organisé
Bonjour !
J'ai deux questions à vous poser
1) en ce qui concerne les réseaux récurrents de la page précédente, j'ai jeté le paquet "rnn" il est vraiment un peu étrange et mal conçu et est passé à "RSNNS" a pris le réseau "Elman" a jeté les données tout a fonctionnéJe ne comprends pas où et comment définir "jusqu'où le réseau se souvient de lui-même dans le passé" dans "rnn", où il était immédiatement clair que chaque variable était transformée en une matrice avec un nombre. correspondait à la taille de la mémoire du réseau, mais je n'ai pas trouvé un tel paramètre dans"RSNNS", mais il est impossible qu'il n'y soit pas, car l'essence du réseau récurrent s'y trouve exactement.
2) Que dois-je rechercher dans"rminer" ? Si vous voulez dire quelque chose comme "arima", cela ne fonctionnera pas.
J'ai essayé d'écrire un tel classificateur cible pour faire des prévisions en plusieurs étapes, mais j'ai échoué, les résultats étaient étranges, tout d'abord la qualité a chuté (c'est normal car la prévision n'est pas sur la 5ème ou la 10ème bougie), l'anti-corrélation était toujours présente bien que moins prononcée, mais le truc c'est que je n'ai pas eu l'anticipationIl me semble que les inversions de l'indicateur étaient les mêmes que celles du marché, c'est-à-dire que j'ai obtenu quelque chose de moins bonne qualité, mais je ne comprends pas pourquoi cela s'est produit de cette façon...
Parlons un peu de la sélection qualitative des traits. Mes réflexions à ce sujet...
Ne vous culpabilisez pas ! Je vais exagérer, mais c'est un bon exemple...
Toutes les méthodes courantes de sélection des attributs (sur le marché) se réduisent à mettre 100 indicateurs dans un échantillon d'entraînement et à utiliser différentes méthodes de différents "degrés" pour sélectionner, disons, 20 indicateurs qui décrivent le mieux le prix, mais cette méthode n'est-elle pas trop primitive, malgré les méthodes avancées et puissantes de sélection des attributs ? Je pense que c'est grossier et primitif et que les méthodes de sélection n'ont rien à voir avec cela, laissez-moi vous expliquer pourquoi ....
Faisons un détour et réfléchissons à la manière dont travaille un trader professionnel(rappelez-vous, j'exagère encore :)) qui ne dispose que de deux indicateurs - les niveaux et l'indicateur "RSI". Et il existe un système de trading où une transaction de vente ressemble à ceci : si le niveau est cassé à la hausse et que le RSI est supérieur à 0,9, alors vendez....
Un système de trading dans ce cas agit comme un filtre de données, un filtre qui ne laisse pas le trader entrer dans le bruit et la part de bruit dans cet exemple avec le RSI n'est pas une blague 95% parce que le RSI va de -1 à 1 et le trader n'a besoin que de ce qui est >0,9 ces 5% ...
Ce qui en découle, c'est que Dieu nous préserve de 5% d'informations utiles dans chaque trait et que les 95% restants sont du bruit, du bruit qui n'est pas nécessaire, qui empêche le réseau d'apprendre, du bruit qui doit être supprimé... Il faut donc extraire uniquement les situations utiles de chaque attribut, dans cet exemple avec le RSI c'est de 0,9 à 1, tout le reste c'est du vent...
Et maintenant, revenons au début du post, vous avez 100 attributs (indicateurs), tout ce que vous pouvez (aussi cool que soit la méthode) est de choisir les meilleurs indicateurs, sachant que chaque indicateur a 95% de bruit, que pensez-vous de la qualité de la sélection de ces attributs est proche de zéro, que confirment vos et mes études dans ce domaine ...
Conclusion : Il est nécessaire de prendre chaque trait et d'en séparer l'utile, j'ai des idées pour le faire mais avant de le dire j'aimerais entendre vos pensées, idées et suggestions à ce sujet.