L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 533
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
sì, perché non bene? Il MO è essenzialmente l'ottimizzazione fino all'invenzione dell'AI.
Anche la genetica fa parte dell'IA.
Inoltre, c'è una direzione ibrida piuttosto promettente: le reti neurali in evoluzione NEAT.
I criteri sono importanti nell'"ottimizzazione". L'ottimizzazione basata sul massimo profitto non è un buon criterio. E non c'è motivo di credere che in futuro funzionerà in qualche modo, cosa che vediamo spesso nella pratica, in particolare sul forum.
Non necessariamente per profitto massimo, si può usare R^2 come è stato suggerito recentemente nell'articolo o qualcos'altro, ci sono criteri personalizzati. Il punto non è questo, ma trovare dipendenze stabili tramite opt. Dopo di che si scelgono le migliori corse e si analizza perché sono le migliori e quali cose interessanti sono state trovate.
Inoltre, c'è una direzione ibrida piuttosto promettente: le reti neurali in evoluzione NEAT.
qualcosa di nuovo da te di nuovo, vado a cercare aiuto su Google :)
Inoltre, c'è una direzione ibrida piuttosto promettente: le reti neurali in evoluzione NEAT.
Hai dato voce a ciò che ho pensato, ma non sono stato in grado di formulare un pensiero, negli ultimi mesi.
NEAT
L'argomento in sé è interessante, ma non ha superato il test del forex. Ci sono stati alcuni articoli su di esso nel thread, anche c'è un pacchetto per R -https://github.com/ahunteruk/RNeat.
NEAT un paio di parole - selezioniamo i pesi delle chiavi neuronali usando un algoritmo genetico invece dell'allenamento convenzionale.
Per esempio l'algoritmo in azione, il neuroneka è addestrato a giocare un gioco di Mariohttps://www.youtube.com/watch?v=qv6UVOQ0F44
Mentre con il normale addestramento delle reti neurali si può mettere in pausa l'addestramento e controllare l'overfit su nuovi dati per fermare l'addestramento in tempo, con NEAT non funzionerà, la genetica cercherà i pesi che meglio si adattano alla funzione di fitness fino a raggiungere il suo limite, risultando in un forte overfit e un modello inutile sui nuovi dati.
I test su zecche reali sono in tempo reale. Ed è un peccato che non lo usi con un tester.
È strano sentirlo, i "tick reali" non sono nel tester di MetaTrader, sono generati, matematicamente sembra di aprire/chiudere su (O+H+L+C)/4 della prossima candela, prima della quale appare il segnale.
Minus di questo scambio (bittrex) - la loro api non ha funzioni per ottenere valori ohlc
Beh, no, lo fanno. È solo che la loro api 2.0 non è ancora documentata, l'informazione è da qualche parte nelle regioni inferiori di Internet(((
Esempio di candlc req:bittrex.com/Api/v2.0/pub/market/GetTicks?marketName=BTC-ETH&tickInterval=day&_=1499127220008
Beh i loro candelieri sono pessimi, non li fanno dal loro orderlog ma in qualche modo li aggregano da altre fonti, i massimi e i minimi possono essere molto più forti che sui loro grafici, bisogna scrivere i tick in ogni casoCerto che no, io lo faccio.
Davvero, grazie.
Strano a sentirsi, non ci sono "tick reali" nel tester della metatrader, sono generati, matematicamente è qualcosa come l'apertura/chiusura a (O+H+L+C)/4 della candela successiva prima della quale si è verificato il segnale.
strano sentire che non ci sono tick reali nel tether di metatrader, si può sentire l'ottica di lavorare con la piattaforma
Ciao a tutti!!! Una domanda familiare. COME far durare l'IA il più a lungo possibile senza un'eccessiva ottimizzazione???? Personalmente vedo due risposte.
1. Migliorare la qualità degli input, cioè trovare un input che sarà la ragione dell'output. Il compito è estremamente difficile e a volte non fattibile, perché tali input possono non esistere in natura in linea di principio.
2. Estendere il periodo di formazione con il livello adeguato di qualità del modello. Questo è l'approccio che penso considereremo.....
Usando un comitato di due reti, otteniamo tre stati "Sì", "No" e "Non so" - quando due reti guardano in direzioni diverse, è questo effetto che cercheremo di usare.
All'inizio, alleno la rete su 1000 record. Di solito circa il 60% di loro riceverà lo stato "non so". Poi costruiamo un modello di secondo livello dove lo addestriamo solo sugli stati "non so". Inoltre, nel secondo livello circa 300 voci su 600 saranno indefinite. Esatto, ragazzi, useremo il boosting. Cioè, riaddestra ripetutamente la rete. Sono riuscito ad arrivare al terzo livello. Ci ha permesso di addestrare il modello per circa tre mesi su TF M15. Devo ammettere che la preparazione dei modelli ha richiesto più di due giorni, e non c'è da meravigliarsi, considerando che abbiamo dovuto costruire 6 modelli di segnale + 8 modelli di rimbalzo, ma tutto questo tempo è speso solo per aumentare la capacità di TS fino a un mese senza sovraottimizzazione e coinvolgimento umano.
Questa immagine mostra il periodo di formazione del TS. Il test è stato eseguito con un lotto, senza la possibilità di entrare con delle pause. Cioè senza il modello di invio!
Fate attenzione alla "redditività". Non dovrebbe essere troppo alto, da 2 a 5... entro questi limiti. Come un alto livello di questo indicatore è un segno di sovrallenamento IMHO. Quando l'NS ha imparato questa sezione.
Nella prossima immagine ho collegato il modello di pullback. Cioè quando appare un segnale analizziamo se ci sarà un pullback e se "sì", piazziamo un ordine pendente, se "no", entriamo nel mercato. Qui usiamo circa quattro investimenti nel modello e il risultato, come possiamo vedere, è molto migliore nel parametro "redditività". In realtà, questo metodo è destinato a rendere la curva di equilibrio più liscia e forte.
Di regola, il numero di scambi diminuisce, il profitto diminuisce e la redditività aumenta.
Ma sappiamo che le cifre nell'area di formazione non significano nulla ed è vero. Ma ho trovato una risposta a una domanda molto importante: "Come valutare la qualità della formazione? Come fai a sapere quanto bene il tuo modello generalizza il mercato e in generale, può farlo? La risposta si è rivelata in superficie e molto semplice. Hai bisogno di un altro intervallo di test!!!!!! Ma cos'è? ..... a proposito di questo nel sequel....