L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 42
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
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", ça ne marchera 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 semble que l'inversion de l'indicateur ait été la même que celle 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...
Bonne journée.
1. Le réseau d'Elman comme le réseau de Jordan ne se souvient que de l'étape précédente. Pour prendre en compte les nombreuses étapes précédentes, vous devez enchaîner les RNN entre eux, c'est ce qu'on appelle le LSTM. Cet article décrit ces réseaux de manière assez lucide. Malheureusement, ils sont implémentés en Python. Mais ce n'est pas un problème, n'est-ce pas ? Python et R sont parfaitement intégrés.
2. Rminer possède la fonction lforecast - Effectue des prévisions à plusieurs étapes en utilisant de manière itérative les prédictions 1-ahead comme entrées . En parlant de prédictions à plusieurs étapes, vous voulez bien sûr parler de régression ?
Bonne chance
Conclusion : Il faut prendre chaque attribut et en extraire quelque chose d'utile. J'ai quelques idées sur la façon de le faire, mais avant de le dire, j'aimerais entendre vos pensées, idées et suggestions sur le sujet
Vous ne pouvez extraire quelque chose d'une caractéristique qu'en utilisant des données historiques. Lorsqu'une nouvelle barre arrive, le signe doit prédire quelque chose et pour qu'il puisse prédire, il doit avoir une capacité de prédiction. La capacité prédictive est une certaine puissance d'un trait, c'est lorsque certaines valeurs d'un trait prédisent une classe et d'autres valeurs d'un trait prédisent une autre classe. J'ai déjà donné un exemple de cette capacité de prédiction. Cible : "hommes/femmes". Trait : "vêtements". Si l'attribut n'a que deux valeurs : pantalon/jupes, alors dans une société musulmane, un tel attribut avec ces valeurs prédit sans ambiguïté la classe sociale. Mais dans la société non musulmane, il existe des vêtements unisexes, en plus d'un très grand nombre d'autres dénominations.
Ainsi, le problème de la détermination de la capacité de prédiction de l'attribut vestimentaire pour une variable cible qui a deux valeurs de classe homme/femme est formulé comme suit : quel pourcentage des valeurs de l'attribut vestimentaire permettra de prédire uniquement l'homme et quel pourcentage permettra de prédire la femme ? S'il s'agit d'une société occidentale et que tous les vêtements sont unisexes, alors l'attribut "vêtements" n'a aucun pouvoir prédictif. Dans une société musulmane, le trait vestimentaire aurait une très bonne capacité prédictive. Si nous rendons notre exemple plus réel en introduisant l'âge...., nous obtiendrons une capacité prédictive plus réelle. Elle sera spécifique et cette capacité de prédiction déterminera l'erreur de prédiction.
C'est-à-dire que de la capacité de prédiction du prédicteur découle l'erreur de prédiction, et si le modèle choisi correspond au problème posé, cette erreur dépend peu du choix du modèle.
Des idées et des suggestions.
Je les ai exprimées à de nombreuses reprises dans ce fil et sur ce forum. La principale difficulté est que mon point de vue sur le "pouvoir prédictif" n'est pas encore compris.
Pour les outils, j'ai donné un lien vers un article et leDr. Trader a essayé de les appliquer, mais sans succès. J'attribue la négativité de son résultat à la spécificité de son ensemble de caractéristiques : un grand nombre de caractéristiques qui ont peu de valeur. Il s'agit d'un ensemble de fonctionnalités très spécifiques pour le Forex. En forex, tout attribut peut avoir des milliers de valeurs, et le sien peut en avoir des dizaines.
Je les ai exprimées à de nombreuses reprises dans ce fil et sur ce forum. La principale difficulté est que mon point de vue sur la "capacité de prédiction" n'est pas encore compris.
Peut-être parce que ce point de vue n'est soutenu ni par des tests ni par des résultats de tests de votre part ? :)
En général, pourquoi ces kilomètres d'illumination, la question était de savoir comment obtenir l'utile à partir des attributs, pas comment sélectionner les traits, ce sont des choses différentes et ici votre référence à un article généralement à placer ...
Peut-être parce que ce point de vue n'est pas étayé par des tests ou des résultats de tests de votre part ? :)
En général, pourquoi ces éclairages kilométriques, la question était de savoir comment en tirer des traits utiles, pas comment sélectionner des traits, ce sont des choses différentes et ici votre référence à un article ne correspond généralement à personne....
Vous devez écrire une encyclopédie d'un kilomètre de long. En bref : un trait est un tout et rien ne peut en être retiré. Vous pouvez déterminer si l'ensemble du trait s'adapte ou non.
PS.
Je fais une sélection personnalisée de traits qui ont un pouvoir prédictif. En utilisant des traits sélectionnés à l'aide de mon algorithme, j'obtiens des modèles sans ré-entraînement.
Vous devez écrire un livret d'un kilomètre de long. En un mot : un trait est un tout et on ne peut rien en retirer. Vous pouvez déterminer si l'ensemble du trait s'adapte ou non.
PS.
Je sélectionne sur mesure les caractéristiques qui ont un pouvoir prédictif. En utilisant les caractéristiques sélectionnées par mon algorithme, j'obtiens des modèles sans ré-entraînement.
Wow, cool... ...vous voulez me dire les résultats spécifiques de votre modèle non formé ? Ou ce sujet sera-t-il également "ignoré" comme pour votre robot qui "semble fonctionner" et "semble gagner"?
Et Sanych, tu veux bien arrêter ? !?
J'ai tout compris depuis longtemps maintenant...
Ce n'est pas bon par rapport aux autres participants qui vous lisent et passent ensuite leur temps sur la route qui ne mène nulle part.
Wow, cool... Vous pouvez peut-être nous donner des résultats spécifiques de votre modèle non formé ? Ou allez-vous continuer à en parler comme vous l'avez fait avec votre robot ?
Et Sanych, tu vas arrêter ? !?
J'ai tout compris depuis longtemps maintenant...
Ce n'est pas bon par rapport aux autres joueurs qui vous lisent et passent ensuite leur temps sur la route qui ne mène nulle part, pour ne pas dire plus.
Réfléchissons au fonctionnement d'un trader professionnel(rappelez-vous, j'exagère encore :)) qui ne dispose que de deux signes - 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...
Dans ce cas, le système de trading agit comme un filtre de données, un filtre qui ne laisse pas le trader entrer dans le bruit, et la proportion 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 ceux 5% ...
Cela fonctionnera si nous prenons une douzaine d'indicateurs avec une douzaine de décalages différents. Mais il convient de déterminer quels indicateurs utiliser et avec quels décalages. Pour commencer, prenez un grand nombre d'entre eux, sélectionnez-en certains selon certaines règles et la somme de cette centaine de prédicteurs finaux vous donnera une réelle chance de prédire l'avenir. Prenez un modèle de forêt aléatoire, alimentez-le avec des données et construisez un arbre de décision. Par exemple si rsi[20] > 0.4, et ma(16)[20] > 1.2, etc. - alors c'est un achat. Et si rsi < 0.1 alors c'est une vente. Vous pouvez voir un exemple de ce à quoi ressemble la forêt icihttp://www.intuit.ru/studies/courses/6/6/lecture/174 . En général, la forêt vous donnera les attributs avec des valeurs et des seuils utiles pour des dizaines d'indicateurs.
Il y a une subtilité que la forêt a tendance à surapprendre. Si, en plus des prédicteurs utiles, vous alimentez la forêt avec des déchets, la forêt les ajoutera à sa logique. Et selon la règle "rubbish in leads to rubbish out", toute prévision du modèle basée sur des données frontales rubbish in sera aléatoire et inutile. Vous devez toujours en tenir compte lors de la sélection des prédicteurs, et effectuer des validations croisées pour tester le modèle.
Ce n'est pas agréable, c'est le moins que l'on puisse dire, pour les autres membres qui vous lisent et qui perdent leur temps à marcher sur la route qui ne mène nulle part.
Je suis totalement d'accord avec tout ce que SanSanych a écrit ici, je vous recommande d'écouter. J'ai beaucoup appris de lui, je l'ai vérifié et j'en ai pris note.