L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 434
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
Come minimo, dobbiamo fare delle trasformazioni affini dei grafici, perché i modelli sono a diversi angoli di pendenza (strutture autoaffini),
cioè comprimere o allungare il modello di altezza.... ? - opzione interessante. Ma penso che la compressione non dovrebbe essere più del 30-50%, altrimenti si può provare a cercare modelli sul tempo volatile della sessione americana, per esempio, da fluttuazioni casuali notturne. Sia lì che lì ci sono diversi modelli e diversi giocatori.
Se prendiamo la compressione dello stretching fino al 30-50% nel lavoro, l'aumento del numero di modelli trovati probabilmente non sarà molto grande, che probabilmente non influenzerà molto la previsione e quindi può essere trascurato... Tuttavia deve essere controllato.
E non è affatto chiaro come implementare questa compressione nel codice MT senza usare prodotti esterni di serie...
ricerca su diversi tf
Mi sembra che anche su M1 e M5 ci siano già modelli diversi. E non è corretto cercare gli stessi modelli su di loro. I modelli possono essere simili, ma le ragioni che hanno causato questa forma di grafici saranno diverse.
Non vedo altre opzioni per confrontare 2 grafici di prezzo. Quali altre opzioni ci sono...?
Supponiamo che ci siano due array di prezzi, ognuno ha 5 prezzi.
Il primo è a1,a2,a3,a4,a5.
il secondo è b1,b2,b3,b4,b5.
1) Il grafico dei prezzi può essere detrenderizzato, cioè può essere messo in orizzontale da una disposizione ruotata. Questo può essere fatto con una regressione lineare - trovarlo, e usare l'array di errori al posto della serie originale dei prezzi. Se questo passo aiuterà a trovare i modelli non lo so, non ho studiato il suo effetto in dettaglio. Finora io stesso non uso questo passo.
2) È discutibile chiamare una fila di prezzi un modello; ci deve essere una descrizione matematica della forma formata da questi prezzi. Per esempio, possiamo trovare l'aumento del prezzo su ogni barra e usare questi aumenti come una certa descrizione del modello.
il primo modello è ottenuto dalla formula a5-a4, a4-a3, a3-a2, a2-a1
il secondo è b5-b4, b4-b3, b3-b2, b2-b1.
3) "somiglianza" dei modelli - o correlazione (non l'ho controllata io stesso), o distanza cartesiana per il teorema di Pitagora (l'ho controllata, e ha funzionato bene) -
sqrt( ((a5-a4)-(b5-b4))^2 + ((a4-a3)-(b4-b3))^2 + ((a3-a2)-(b3-b2))^2 + ((a2-a1)-(b2-b1))^2 )
o qualcos'altro, penso che ci debbano essere opzioni migliori.
Cioè restringere o allungare il modello in altezza.... ? - opzione interessante. Ma penso che non si dovrebbe allungare il modello di più del 30-50%, altrimenti si può provare a cercare i modelli sul tempo volatile della sessione Amer. per esempio, da fluttuazioni casuali notturne. Sia lì che lì ci sono diversi modelli e diversi giocatori.
Se prendiamo la compressione dello stretching fino al 30-50% nel lavoro, l'aumento del numero di modelli trovati probabilmente non sarà molto grande, che probabilmente non influenzerà molto la previsione e quindi può essere trascurato... Tuttavia deve essere controllato.
E non è affatto chiaro come implementare questa compressione nel codice MT senza usare prodotti esterni di serie...
Mi sembra che anche su M1 e M5 ci siano già modelli diversi. E non è corretto cercare gli stessi modelli su di loro. I modelli possono essere simili, ma le ragioni che hanno generato una tale forma dei grafici saranno diverse.
Per una migliore comprensione è meglio studiare le proprietà dei frattali. In particolare, come ho già scritto - si tratta di scalare e di autoaffinità.
Scalare, per definizione - modelli simili si formano a diversi intervalli di tempo. Possiamo prendere le citazioni di 1 minuto e costruire un array di TF sintetici con un dato moltiplicatore e usare questo array per cercare un modello simile a quello attuale.
Autoaffinità - i modelli sono simili, ma mai esattamente gli stessi. Questo è il problema principale quando si selezionano criteri di "somiglianza", la correlazione non è appropriata in questo caso.
La differenza si manifesta più nella pendenza dei modelli (angolo di pendenza della linea di regressione) che nella loro contrazione/estensione. Stavo costruendo il LR usando il pattern corrente, poi ho preso le citazioni da altri plot e ho cambiato l'angolo di pendenza del LR con l'angolo di pendenza del pattern corrente e come risultato ha trovato pattern simili più spesso. E quando si crea una previsione, la curva di previsione è stata trasformata considerando la pendenza della LR del modello attuale.
Il prossimo. L'autoaffinità (autosimilarità) dei frattali ha una caratteristica più interessante - si formano esattamente gli stessi ma più piccoli all'interno di un grande modello. Algoritmo di ricerca - (per esempio) prendiamo le ultime 500 barre del timeframe di 1 ora con 10 barre di anticipo e nel tester corriamo attraverso minuti o periodi di 5 minuti e cerchiamo modelli, simili al modello di 1 ora. Se lo troviamo, proiettiamo le ultime 10 barre da 1 ora sul modello a 5 minuti - questa è la previsione. Fate anche questo, tenendo conto degli angoli del regolamento. Ecco come ho fatto.
Non ho ancora fatto la convalida incrociata su un gruppo di modelli consecutivi, ma sembra essere un argomento interessante
Supponiamo di avere due array di prezzi, con 5 prezzi in ciascuno
il primo è a1,a2,a3,a4,a5
il secondo è b1,b2,b3,b4,b5
1) Il grafico dei prezzi può essere detrenderizzato, cioè può essere messo in orizzontale da una disposizione ruotata. Questo può essere fatto con una regressione lineare - trovarlo, e usare l'array di errori al posto della serie di prezzi originale. Se questo passo aiuterà a trovare i modelli non lo so, non ho studiato il suo effetto in dettaglio. Io stesso non uso ancora questo passo.
2) È discutibile chiamare una fila di prezzi un modello; ci deve essere una descrizione matematica della forma formata da questi prezzi. Per esempio, possiamo trovare l'aumento del prezzo su ogni barra e usare questi aumenti come una certa descrizione del modello.
il primo modello è ottenuto dalla formula a5-a4, a4-a3, a3-a2, a2-a1
il secondo è b5-b4, b4-b3, b3-b2, b2-b1.
3) "somiglianza" dei modelli - o correlazione (non l'ho controllata io stesso), o distanza cartesiana per il teorema di Pitagora (l'ho controllata, e ha funzionato bene) -
sqrt( ((a5-a4)-(b5-b4))^2 + ((a4-a3)-(b4-b3))^2 + ((a3-a2)-(b3-b2))^2 + ((a2-a1)-(b2-b1))^2 )
o qualcos'altro, penso che ci debbano essere opzioni migliori.
Ho notato una caratteristica interessante: è possibile cercare i pattern non sui grafici ma sull'indicatore RSI. Ciò che è interessante, non importa come detrending e rotazione del grafico, RSI basato su di esso mostrerà quasi la stessa cosa, cioè non c'è bisogno di ruotare i grafici di un angolo. Ma l'output (previsione) dovrà ancora essere convertito per tenere conto della pendenza della LR. Inoltre puoi costruire la correlazione incrociata e altre cose sugli indicatori risultanti.
Maxim Dmitrievsky eDr. Trader
Sembra che tu abbia passato molto tempo a cercare modelli sulla storia, come l'indicatore che ho fatto.
Lo usate ancora o siete passati alle reti neurali da quando la ricerca di modelli non era promettente? Oppure i risultati di questi approcci sono gli stessi e l'unica differenza è la velocità?
Maxim Dmitrievsky eDr. Trader
Sembra che tu abbia passato molto tempo a cercare modelli sulla storia, come l'indicatore che ho fatto.
Lo usate ancora o siete passati alle reti neurali da quando la ricerca di modelli non era promettente? O l'efficienza di questi approcci è la stessa e l'unica differenza è la velocità?
Ho abbandonato il mio lavoro con i modelli perché non ha prodotto il risultato atteso che volevo, tornerò sull'argomento più tardi. Tornerò sull'argomento più tardi. Ed è molto da pensare e da fare, laborioso e non ovvio finché non lo si fa. Prima di questo io e il mio amico abbiamo avuto alcuni sviluppi dell'analisi frattale con Weierstrass-Mandelbrot fii, ma lì abbiamo usato anche la correlazione, ho trovato solo a volte dei modelli normali. Ora, se sono in grado di usare le convoluzioni o pensare a qualche nuovo modo di cercare i modelli, tornerò... in breve, sono bloccato con la correlazione, non mi si addice
Qui, se vi interessa, 100 anni fa ho registrato un video introduttivo sull'analisi frattale. Dal mio punto di vista è direttamente collegato all'analisi dei modelli.
E su quale principio i semplici NS (semplici MLP) fanno una previsione?
Mi sembra sulla solita correlazione - perché il peso delle connessioni tra i neuroni cresce con il numero di ripetizioni del segnale lungo questa linea quando la risposta del NS coincide, se la linea era a + o a - rimane intorno a 0 - e questo è essenzialmente una semplice media. Poi usando questi pesi troviamo la somiglianza della combinazione di predittori in ingresso con la media del periodo di allenamento.
Non mi sono ancora arreso, sto provando diversi algoritmi per spremere più profitto dai modelli.
Rispetto a neuronka questo approccio mi dà più possibilità, ho anche scritto prima che sto cercando di prendere in considerazione l'influenza del tempo (per esempio diminuendo la somiglianza a seconda di quanto tempo fa è stato trovato il modello simile), più diversi trucchi. Non è possibile farlo nella neuronica.
Il mio neurone non potrà mai imparare a fare trading in profitto usando solo i prezzi. Ma il modello del modello l'ha fatto, quindi la scelta è ovvia :)
Ma si può usare la neuronica su diversi indicatori. Ma non importa se si tratta di un neurone, una foresta o anche un modello lineare, tutto funzionerà se gli indicatori e l'obiettivo per l'addestramento sono scelti correttamente.
Cioè, se hai a che fare con i modelli - hai bisogno di spendere un sacco di tempo per creare un metodo per la valutazione della "somiglianza" dei modelli e non troverai molte informazioni utili sull'argomento, devi sperimentare molto.
E se avete a che fare con gli indicatori - un sacco di tempo sarà richiesto per la selezione degli indicatori e per la formazione; la scelta e la formazione del modello (neurone, foresta, boosting) non richiederà molto tempo.
Ho rinunciato a lavorare con i modelli perché non ha dato il risultato che volevo, tornerò sull'argomento più tardi. Tornerò sull'argomento più tardi. Ed è molto da pensare e da fare, richiede tempo e non è ovvio finché non lo si fa. Prima di questo io e il mio amico abbiamo avuto alcuni sviluppi dell'analisi frattale con Weierstrass-Mandelbrot fii, ma lì abbiamo usato anche la correlazione, ho trovato solo a volte dei modelli normali. Ora, se riesco a usare la convoluzione o a inventare qualche nuovo modo per cercare i modelli, tornerò... in breve, sono bloccato con la correlazione, non è abbastanza buona
l'unica opzione è chiedere aiuto allo stalliere) mi insegnerà come un vero uomo dovrebbe commerciare.... non sono importanti gli schemi e la scienza, ma il coraggio e la forza... e ci vuole una vera barba cecena... allora il mercato non resisterà a un guerriero inflessibile e di principi.....
regole di trading in stile hutch..........