L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 51
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Saluti!!!! Uso LibVMR ma sembra una versione vecchia, perché appare l'errore "Bad Data". Ho capito che c'è una nuova versione. Dove posso scaricarlo? Se è possibile?
I prodotti freschi e i download sono ora distribuiti attraverso il repository di BitBucket all'indirizzo: https://bitbucket.org/jprediction/jprediction/downloads
Anche il nome del progetto è cambiato da libVMR a jPrediction
Non è abbastanza chiaro? Stai prendendo i prezzi come OHLC per i modelli o qualche trasformazione di essi?
Il punto è che se prendiamo l'OHLC così com'è, un modello simile 1000 punti più alto o più basso di quello confrontato sarà più diverso per la distanza euclidea che un modello totalmente diverso 10 punti più alto o più basso di quello confrontato. E la differenza sarà di due ordini di grandezza e quindi anche l'errore di confronto sarà di due ordini di grandezza.
Quando ho misurato con Euclid, tutti i vettori sono stati normalizzati e censurati
La soluzione è stata trovata.....
Se si applica l'analisi dello spettro al vettore corrente (prezzi correnti) e lo si scompone in componenti più semplici, tali componenti possono essere trovati più facilmente nella storia a causa della loro struttura semplice
Ho usato il metodo "caterpillar" o "ssa"http://www.milanor.net/blog/wp-content/uploads/2014/07/SingularSpectrumAnalysisWithRssa.pdf per la decomposizione.
Cerchiamo degli analoghi nella storia e vediamo come vanno a finire, ma non cerchiamo gli analoghi dei prezzi, ma per ogni singola componente spettrale, e poi li colleghiamo e otteniamo una semplice previsione
A giudicare dai primi test, il tema è abbastanza promettente se prevediamo ogni suo componente separatamente. La previsione è spesso corretta, ma raramente non è di parte...
Il colore nero indica una delle componenti attuali, il colore blu mostra la componente analogica trovata nella storia dopo che la linea verticale nera è un nuovo dato sconosciuto all'algoritmo - in effetti, la previsione - come si può vedere abbastanza efficacemente
Ma come vedete c'è sempre una distorsione nella previsione, e non sempre una buona naturalmente, la vicinanza tra gli analoghi cercando la vecchia via attraverso la correlazione, capisco che questo è uno dei modi più inadatti, così ho voluto sostituire l'algoritmo che avrebbe cercato somiglianze nell'ampiezza, fase, frequenza. Ora capite cosa intendo quando parlo di Fourier?
Il dottor Trader
come è addestrata la tua rete neurale?
Come si fa?
Beh, è solo che prima di confrontare i due vettori, li ho scalati con la funzione "scale"
scala(x = dati , centro = TRUE, scala = TRUE )
Come?
Mi chiedo perché ho scaricato la versione 6.0 perché la 5.0 non salva e non crea un file di testo, quindi non è chiaro perché durante l'allenamento i valori di un errore e nel file di testo sono completamente diversi?
RNeat? No, l'addestramento è molto lento, il fitness che definisce il modello è ora 0,018, crescendo un centesimo al giorno. La precisione sui dati di allenamento e di convalida è ora di 0,52, molto bassa, ma almeno è in positivo e senza riqualificazione.
Ooh 52 è già meglio di 50 , come ricordo l'ultima volta era 0.017 quindi un centesimo aumenta l'accuratezza della previsione del 2% ), penso che se la rete vale l'attenzione è meglio riscriverla su SI , tienimi aggiornato, sono estremamente interessato ...
La fitness può salire semplicemente perché il modello ha migliorato la sua topologia e abbandonato un paio di neuroni, a parità di precisione.
Per quanto ho capito dai commenti nel codice - è un porting da Lua. E anche Lua è un port, perché l'originale era già in c++:http://nn.cs.utexas.edu?neat
Port from port è sfortunato, un sacco di azioni inutili, sarebbe meglio se l'autore di RNeat prendesse il codice C++ come base, e applicasse i pacchetti genetici R esistenti per far evolvere la rete.