L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 544

[Renat Akhtyamov]

Maxim Dmitrievsky:

È possibile che il tuo monitor mischi i colori, a volte difficili da distinguere perché non è calibrato correttamente.

Cosa avete costruito?

Non esiste una cosa del genere.

ricordate che vi ho detto che la sterlina è nel colore sbagliato sul grafico dell'arbitraggio

Quello che avete costruito è un segreto.

[Maxim Dmitrievsky]

Renat Akhtyamov:

Non c'è una tale opzione.

Ricordate quando vi ho detto che la sterlina sul grafico dell'arbitraggio era del colore sbagliato.

quello che ho costruito è un segreto.

Ho ottenuto tutti i colori da abbinare.

[Maxim Dmitrievsky]

Non sul mercato, ma molto utile e sull'approccio generale per costruire efficacemente un modello (in qualsiasi fase qualcosa potrebbe andare storto e non ce ne accorgeremmo nemmeno):

[Maxim Dmitrievsky]

Apprendimento senza insegnamento (clustering) e RL(apprendimento per rinforzo). Nel tentativo di ridurre i parametri da ottimizzare. Qualcuno ha pensato a come si può applicare il clustering? Il secondo è più complicato, avete bisogno di pacchetti specializzati

esempio: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

[Aleksey Terentev]

Maxim Dmitrievsky:

Apprendimento senza insegnamento (clustering) e RL (apprendimento per rinforzo). Nel tentativo di ridurre i parametri da ottimizzare. Qualcuno ha pensato a come si può applicare il clustering? Il secondo è più complicato, avete bisogno di pacchetti specializzati

esempio: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

Ho iniziato a pensare all'apprendimento per rinforzo. Mi sembra che questo sia ciò che serve per gli scambi.

[Maxim Dmitrievsky]

Aleksey Terentev:
Sto cominciando a pensare all'apprendimento per rinforzo. Mi sembra che questo sia ciò che serve per gli scambi.

Anch'io, sto imparando Python allo stesso tempo... R è fastidioso. C'era un antico articolo su Kohonen layer di o_o, ha scritto qualcosa sui plus e così via senza esempi e sviluppo

https://www.mql5.com/ru/articles/1562

[Aleksey Terentev]

Maxim Dmitrievsky:

Anch'io, sto imparando Python allo stesso tempo... R è fastidioso. C'era un antico articolo su Kohonen layer di o_o, ha scritto qualcosa sui plus e così via senza esempi e sviluppo

https://www.mql5.com/ru/articles/1562

Ho scritto in più qt e opennn, francamente parlando non è stato ancora sviluppato nulla oltre a mlp (opennn).
In effetti, posso aggiungerti come controparte al mio repository, ti spiegherò il mio schema di lavoro.

[Maxim Dmitrievsky]

Aleksey Terentev:
Scrivevo in qt e opennn, francamente parlando, niente è stato sviluppato più a lungo di mlp (opennn).
In generale, posso aggiungerti come controparte al mio repository, ti spiegherò lo schema come funziona.

Temo di dover imparare un po' di più prima, non sono ancora un programmatore così bravo :) forse più tardi l'anno prossimo

[Aleksey Terentev]

Maxim Dmitrievsky:

Apprendimento senza insegnamento (clustering) e RL (apprendimento per rinforzo). Nel tentativo di ridurre i parametri da ottimizzare. Qualcuno ha pensato a come si può applicare il clustering? Il secondo è più complicato, avete bisogno di pacchetti specializzati

esempio: https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/

https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/

Anche il clustering è un metodo interessante. Penso che dovrebbe essere applicato prima dell'allenamento di un modello, perché in questo modo i parametri che non sono affatto correlati saranno eliminati.
Lo tengo anche a mente. Non riesco proprio a metterci le mani sopra.

[Maxim Dmitrievsky]

Aleksey Terentev:
Anche il clustering è un metodo interessante. Penso che dovrebbe essere usato prima dell'allenamento di un modello, perché in questo modo è possibile filtrare i parametri che non sono affatto correlati.
Lo tengo anche a mente. Non riesco proprio a metterci le mani sopra.

specialmente se usiamo il clustering multidimensionale, possiamo provare ad alimentare vettori con caratteristiche e vettori con un ritardo di, diciamo, incrementi... per dividerli in gruppi - quali caratteristiche corrispondono a quali incrementi nel futuro

e poi applicare a questo set per l'addestramento di NS, per esempio... cioè come il data mining

sì, esattamente prima della formazione ... o come una cosa separata per TS