L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 936
![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 vois. L'arbre n'a pas pu apprendre à bien filtrer, de sorte que le résultat n'était pas sensiblement meilleur avec le filtrage, juste moins de transactions. En fait, j'ai filtré au hasard certaines des bonnes et des mauvaises affaires,
J'ai formé l'arbre sur 2015 seulement pour Malovhodov.
Filter_02 et mnogovhodov_02 ont été entraînés pour 2016, il est préférable de comparer 2016 et 2017 dans le testeur (2017 est généralement de nouvelles données qui n'étaient pas dans les archives, c'est le plus intéressant à voir).
Aha, et je pensais que 2015 était une courbe d'apprentissage, puis les choses sont comme ça - bleu sans filtre et vert avec filtre
Je dois dire que 2015 est plutôt une tendance à la hausse, 2016 une tendance à la baisse et 2017 est presque latéral sur les agendas. C'est-à-dire que les entités des trois sont légèrement différentes, et je pense que les tendances mondiales jouent leur rôle.
De plus, mon entrée d'achat est générée de 5 à 9 par le prédicteur arr_DonProc - une partie de l'arbre est donc automatiquement coupée.
Mais globalement, le résultat n'est pas mauvais, vous ne trouvez pas ?
La poursuite de la ramification, pour moi, a conduit à un surajustement. Pour une meilleure précision, nous devrions passer à des modèles plus complexes - forestiers ou neuroniques.
Il est possible d'obtenir une précision de 100 % sur les données d'apprentissage, mais à quoi bon si un tel arbre n'échoue que sur les nouvelles données. Nous devons enseigner un tel modèle qui serait capable de montrer presque le même résultat sur les nouvelles données que sur les données d'entraînement.
Il est possible d'aller jusqu'à 100 %, avec différents ensembles de prédicteurs, mais il est évident que nous n'avons pas utilisé tout le potentiel ici.
Au fait, je pense que nous devrions fournir plus d'informations sur le passé - maintenant nous pouvons les obtenir à partir de Regressor et iDelta, et quelques autres prédicteurs, mais il n'y a pas de chose aussi triviale que le nombre de bougies haussières et baissières dans une rangée - leur relation les unes avec les autres - cela peut être utile, aussi.
Qu'est-ce que cela a à voir avec une question de foi ? Je vois des gribouillis sur le graphique - et je ne comprends pas comment les interpréter - c'est tout.
La forêt aléatoire est calculée à chaque tick. Si les résultats sont rassemblés par des barres, comme un flux de prix normal, vous obtenez un tel graphique. L'interprétation est nécessaire lorsqu'il y a une formule, et voici juste le résultat de la forêt pour plus de clarté.
Je ne peux alors que répondre à la capture d'écran "Image intéressante ! Car on ne sait toujours pas ce qu'ils ont voulu montrer, à tout le monde, si le propos n'est clair que pour vous....
Le pourcentage d'erreur de la forêt est calculé sur une certaine période de temps. Et sur le graphique, vous pouvez voir l'écart entre la réalité et les données de la forêt à une minute particulière (j'ai un M5 là).
Bien sûr, le graphique d'une autre forêt sera complètement différent du mien.
Le pourcentage d'erreur de la forêt est calculé sur une certaine période de temps. Et sur le graphique, vous pouvez voir l'écart entre la réalité et les données de la forêt à une minute donnée (j'ai un M5 à cet endroit).
Bien sûr, le graphique d'une autre forêt sera complètement différent du mien.
Maintenant, c'est plus clair, mais ce qui est prédit à chaque tick n'est pas clair - le prochain tick ?
Comment, dans la réalité, vous calculerez à chaque tic-tac - seul OpenCL avec une carte vidéo de première classe sera probablement utile ici.
J'ai seulement donné un exemple de ma forêt. Et je n'ai pas demandé à m'occuper des résultats de mon modèle.
Si vous voulez une recommandation sur ce qui ne va pas exactement avec votre modèle, alors au lieu de tableaux étranges, montrez les résultats sur un vrai graphique de prix.
Et le résultat global n'est pas mauvais, vous trouvez ?
L'année 2017 se situe du côté positif, ce qui est un peu réjouissant.
Je vais essayer encore une fois. J'ai pris le fichier mnogovhodov_02 et fait un nouveau ciblage :
Classe "1" où arr_Buy = 1
"-1" où arr_Sell = -1
"0" pour les autres cas
Pour votre stratégie, ce ciblage semble plus adapté.
J'ai seulement donné un exemple de ma forêt. Et je n'ai pas demandé à m'occuper des résultats de mon modèle.
Si vous voulez une recommandation, ce qui ne va pas exactement avec votre modèle, alors au lieu de tableaux étranges, montrez déjà le résultat sur un vrai graphique de prix.
Jusqu'à présent, il n'existe pas de modèle en tant que tel, à la recherche d'un modèle. Le tableau montre un changement dans les résultats, il n'est pas encore nécessaire d'en faire plus - ça bouge, donc c'est vivant.
2017 du côté positif, c'est un peu satisfaisant.
Je vais réessayer. J'ai pris le fichier mnogovhodov_02, j'ai fait une nouvelle cible :
Classe "1" où arr_Buy = 1
"-1" où arr_Sell = -1
"0" pour les autres cas
Pour votre stratégie, ce ciblage semble plus approprié.
Cela signifie-t-il que vous pouvez construire plus de 3 sorties d'arbres cibles ?