L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 545
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
surtout si nous utilisons le clustering multidimensionnel, nous pouvons essayer d'alimenter des vecteurs avec des caractéristiques et des vecteurs avec un décalage de, disons, des incréments ... pour les diviser en groupes - quelles caractéristiques correspondent à quels incréments dans le futur
puis l'appliquer à cet ensemble pour l'entraînement de NS, par exemple... c'est-à-dire comme l'exploration de données
oui, exactement avant la formation ... ou séparément pour le TS
À propos, dans de nombreux paquets python (il devrait également y en avoir dans R), il existe une chose autre que batch_size - comme time_steps, elle est juste utilisée dans l'analyse des séries temporelles. C'est-à-dire qu'une matrice de longueur time_steps est immédiatement introduite à l'entrée, qui est prise en compte dans les tenseurs du modèle.
Je serai peut-être un peu surpris de voir que je ne suis pas habitué à ce genre de choses :
Les marchés sont interconnectés, de sorte que les capitaux circulent au sein d'un système global. Donc, si vous disposez d'un bon modèle profond et de ressources informatiques, ces mouvements de masses monétaires peuvent bien sûr être captés.
surtout si nous utilisons le clustering multidimensionnel, nous pouvons essayer d'alimenter des vecteurs avec des caractéristiques et des vecteurs avec un décalage de, disons, des incréments ... pour les diviser en groupes - quelles caractéristiques correspondent à quels incréments dans le futur
puis appliquer à cet ensemble pour la formation NS, par exemple... c'est-à-dire comme le datamining
oui, exactement avant la formation ... ou séparément pour le TS
Et à propos de l'exploration des données, j'ai aimé l'idée de @Mihail Marchukajtes sur les options et le sourire de la volatilité. Seulement il y avait un problème avec l'analyseur syntaxique.
Pour l'instant, j'ai une sorte de mélange inconnu de modèle autorégressif sur-optimisé + éléments adaptatifs... des trucs inconnus mais amusants, j'y mets tout ce que j'apprends :)
ça marche un peu, mais pas toujours.
J'essaierai une analyse intermarché lorsque je serai à court d'idées, ou d'informations externes comme les options. Si j'ai appris quelque chose de nouveau, ça marche, mais pas toujours quand je suis à court d'idées.
Le problème se pose si l'on veut prendre en compte l'écart. Et vous avez besoin du spread si vous faites du pipsing.
Ainsi, lors de l'entraînement, les données sont déchargées de l'historique par CopySpread, et il y a un écart minimum sur la barre. Et parce que le MOE mène l'analyse pobar, alors pour comptabiliser correctement le spread, il est nécessaire au moment où les calculs sont faits, c'est-à-dire Open, Close, High ou Low (selon ce que vous voulez ajouter ce spread). Par exemple, je travaille avec des prix ouverts. Et bien sûr, l'écart minimum dans une barre n'est presque jamais égal à l'écart au moment de l'ouverture de la barre. Par conséquent, le TP ou le SL peut être différent de 10 à 20 points de celui qui sera fixé dans la réalité. En d'autres termes, la rentabilité du système sera très différente de ce que suppose le modèle MO.
Par conséquent, l'entraînement avec des écarts minimes sur la barre ne peut être reproduit dans la réalité.
C'est-à-dire que nous avons un problème à deux endroits :
1 - dans l'histoire, sur laquelle nous apprenons (les écarts sont différents).
2 - au moment de conclure un accord (si la décision est prise au moment de l'ouverture d'un bar). Des spreads différents donneront des TP et SL différents.J'ai remarqué cette particularité en comparant les résultats du modèle entraîné sur des prix ouverts et sur des ticks réels. La différence est très importante. C'est-à-dire qu'en situation réelle, la différence sera également importante.
Il s'agit soit de ne pas utiliser les spreads (rejetant ainsi la possibilité d'utiliser le scalping à partir des capacités d'un système enseignable), soit de collecter des matrices pour l'entraînement à des ticks réels et de les tester ensuite à des ticks réels - cela prend beaucoup plus de temps que les tests au cours d'ouverture. Comme alternative, pour accélérer le processus, nous pouvons préalablement créer un symbole personnalisé passant par des ticks réels et collectant les spreads nécessaires.
Je regarde les modèles MO jusqu'à présent : le modèle donne la décision d'entrer ou non, et le reste est une question de gestion de l'argent et de stratégie de trading.
En bref : les points d'entrée, les ratios de profit, le comptage des pips ne sont pas tout pour un modèle simple.En particulier avec l'historique des chandeliers, les réseaux neuronaux apprennent bien.
Si nous transférons la sélection des points d'entrée/sortie ou tout autre détail à MetaTrader 2, je le ferais avec le deuxième modèle. Ou compliquer le modèle, auquel cas seul l'apprentissage profond avec des tenseurs parallèles fonctionnera efficacement.
Je regarde les modèles MO jusqu'à présent : le modèle donne la décision d'entrer ou non, tout le reste est une question de gestion de l'argent et de stratégie de trading.
En bref : points d'entrée, ratios de profit, comptage des pip - tout n'est pas pour un modèle simple.De plus, les réseaux neuronaux apprennent bien de l'historique des chandeliers.
Si nous transférons la sélection des points d'entrée/sortie ou tout autre détail à MetaTrader 2, je le ferais avec le deuxième modèle. Dans ce cas, seul l'apprentissage profond avec des tenseurs parallèles sera efficace.
Avez-vous déjà essayé le prophète de facebook ?
pour une raison quelconque, ma liba refuse obstinément de s'installer, de mettre anaconda, python... elle se bloque à l'étape de l'installation et c'est tout. la liba de mon ami fonctionne
Eh bien, un autre intéressant
http://pythondata.com/stock-market-forecasting-with-prophet/
Avez-vous déjà essayé le prophète de facebook ?
pour une raison quelconque, ma liba refuse obstinément de s'installer, de mettre anaconda, python... elle se bloque à l'étape de l'installation et c'est tout. la liba de mon ami fonctionne
Eh bien, un autre intéressant
http://pythondata.com/stock-market-forecasting-with-prophet/
J'ai lu ces articles et, pour être honnête, je ne suis pas impressionné par l'approche du Dr Brown.
D'un autre côté, la bibliothèque est intéressante. Je suis sûr qu'il sera intéressant d'examiner les modèles en vogue.
Pour l'instant, je vais m'en tenir à Keras. La formation avec renforcement est particulièrement facile à mettre en œuvre avec Keras-RL.
Note sur l'installation, lorsque vous utilisez Anaconda, les paquets doivent être installés via "conda" au lieu de "pip".
Pour une raison quelconque, ma liba refuse obstinément de s'installer...
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
Ne pleurez pas)))) pour un jeu "avancé" pour vr.
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
quelque chose d'intéressant... pour python je ne trouve pas
j'ai déjà beaucoup de choses empilées, il est temps de construire un nouveau bot :)
Note concernant l'installation, lorsque vous utilisez Anaconda, les paquets doivent être installés via "conda" au lieu de "pip".
Oui, je l'ai fait via condu et via pip dans python nu... j'ai un bug dans le système lui-même, il ne peut pas construire et compiler ce que j'ai téléchargé... peut-être que je dois le re-télécharger à la main
il n'y a pas de quoi s'inquiéter.