![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
Alors à quoi bon préparer une réponse détaillée ?
- Que mettre à l'entrée du réseau neuronal ?
- Vos idées...
Les réseaux Kohonen sont généralement utilisés dans la reconnaissance d'images..." et entre immédiatement la chronologie des prix. Ne pensez-vous pas qu'il s'agit d'un indice, car les traders ne "mangent" pas la chronologie, ils regardent le graphique, peuvent marquer quelque chose en commun, voir un groupe de prix, marquer un niveau à cet endroit et évaluer les ruptures/rebonds, les chiffres. Lors de l'entraînement d'un réseau neuronal à reconnaître un chat dans des images, un ensemble de nombreuses images est préparé pour le réseau neuronal pour l'entraînement.
Le réseau neuronal peut ainsi identifier sans problème un chat qui aime courir dans l'appartement à quatre heures du matin. Dans le réseau, vous trouverez de plus en plus souvent des articles sur la manière d'apprendre à un réseau neuronal à identifier des chiffres et des signes dans une image. Pourquoi ne pas faire la même chose avec un graphique de cours ? Faites des captures d'écran d'un graphique de prix avant qu'il ne monte, et vice versa. Comme l'image n'a que deux couleurs (noir et blanc) et qu'il y aura peu de détails, les images pèseront peu et seront traitées. Et introduisez-les toutes dans le réseau neuronal, pour qu'il simule finalement le travail du trader, je n'ai pas multiplié les prix.
Le réseau neuronal peut ainsi identifier sans problème un chat qui aime courir dans l'appartement à quatre heures du matin. Dans le réseau, vous trouverez de plus en plus souvent des articles sur la manière d'apprendre à un réseau neuronal à identifier des chiffres et des signes dans une image. Pourquoi ne pas faire la même chose avec un graphique de cours ? Faites des captures d'écran d'un graphique de prix avant qu'il ne monte, et vice versa. Comme l'image n'a que deux couleurs (noir et blanc) et qu'il y aura peu de détails, les images pèseront peu et seront traitées. Et les transmettre au réseau neuronal, pour qu'il simule finalement le travail d'un trader, je n'ai pas multiplié les prix.
Complication artificielle : à partir d'une série unidimensionnelle, vous créez une série bidimensionnelle. Le nombre de caractéristiques augmentera de plusieurs ordres de grandeur, le temps de formation aussi.
Et le résultat sera le même.
Il me semble simplement que nous ne devrions peut-être pas considérer les séries temporelles, mais plutôt les modèles, dans lesquels une partie de la série temporelle ne joue pas de rôle, et le réseau neuronal examinera "l'image dans son ensemble", comme le fait un trader. La tâche elle-même est différente : avant une tendance (renversement), cette partie du graphique doit être analysée et il ne faut pas indiquer au réseau neuronal les prix de ces chandeliers, la différence entre les prix des chandeliers, la normalisation des prix des chandeliers, la normalisation des données de l'indicateur - tout cela doit être écarté et la valeur réelle ne doit être utilisée que pour l'apprentissage "haut" ou "bas", "1" ou "0", "haussier" ou "baissier". Et, lorsque le réseau neuronal "voit" ces hausses, à de nouveaux chandeliers (faites un écran de la section graphique pour le réseau neuronal, ou automatisez ce processus d'une manière ou d'une autre), il dira "ce n'est pas une hausse, il y a des conneries, je ne comprends pas", et sur un autre graphique "il y a quelque chose qui ressemble à une hausse, c'est probablement une hausse", sur le troisième graphique "il y a définitivement une hausse, le prix est sur le point de se retourner". Par analogie avec la reconnaissance d'images (je crois avoir vu un article quelque part sur le hacker). Là aussi, le réseau neuronal a été alimenté avec un million d'images de chats, puis il a dit : "voici un chat", "c'est probablement un chat", "ce n'est pas un chat")).
Peut-être sera-t-il possible de contourner ce fameux 50/50. J'ai trouvé ici un article d'un Brésilien sur la propagation d'erreur inversée. Il n'y a pas d'EA en tant que tel, juste un script, mais il peut prédire une prochaine valeur. J'essaierai cette approche lorsque je l'adapterai à un EA.
Entrer des périodes dans le réseau neuronal.
Comparer des années.
Puis les saisons.
Jours
Chandelles horaires (en tenant compte du changement d'heure été/hiver).
Vous verrez alors apparaître un modèle dans certains instruments.
Et voilà, vous êtes riche. Si vous réalisez une telle analyse, partagez-la plus tard, je n'arrive pas à mettre la main dessus.
// Un mathématicien est devenu millionnaire en bourse en étudiant de tels schémas.
P.S. Vous pouvez également entrer les périodes des planètes, de la lune et l'emplacement de la bourse par rapport à leur rotation. Théoriquement, vous saisirez l'amplitude de la devise (bourse européenne - euro, bourse américaine - dollar, etc.) En comparant les amplitudes et en les combinant, vous verrez toutes les paires de devises en avance. Pour ceux qui ne comprennent pas, c'est de l'humour.