L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1016
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
Ho portato il link a causa della tabella: un nuovo sguardo ai predittori e come sviluppo del pensiero di Alexander su ACF.
Fresco, dici sul serio? Vecchio come ... il mammut. In che modo è meglio di Fourier o di altre decomposizioni o coefficienti autoregressivi e dei loro valori o filtri?
Niente di tutto ciò funziona.
Fresco, dici sul serio? Vecchio come ... il mammut. In che modo è meglio di Fourier o di altre decomposizioni o coefficienti autoregressivi e i loro valori o filtri
Niente di tutto ciò funziona.
Fresco per questo thread.
Allora, cosa avete provato?
Cosa esattamente? Per quale obiettivo?
Fresco per questo ramo.
Allora, cosa avete provato?
Cosa in particolare? Per quale obiettivo?
Ho provato diverse decomposizioni, autoregressive (nessuna differenza dall'acf) insieme ai coefficienti.
Funziona su serie ben correlate (prendete la 2a riga come un dispositivo, costruite un VAR per esempio tra strumenti, prendetelo come predittore e allenate il modello). Beh, funziona - finché la correlazione non è rotta.
Sul 1° strumento funziona allo stesso modo di molti altri predittori, con overfit. Gli obiettivi vengono selezionati automaticamente.
Grazie, non sono tanto interessato all'appartenenza, che capisco comporti difficoltà significative, ma a guardare il livello, che probabilmente non è meno significativo.
"appartenenza" è corretto))) qualsiasi appartenenza è di solito il risultato di conoscenza casuale e/o coincidenza, e ci sono alcuni ragazzi avanzati che improvvisano il loro "kuklusklan" con la sua cultura e rituali, sono stato lì solo un paio di mesi, fino a quando ho imparato qualcosa di molto prezioso, ma il fatto che l'ecosistema sia almeno relativamente chiuso è un grande vantaggio per tali discussioni e scambi di pezzi di ricambio per le loro infrastrutture algoritmiche. non credo che durerà a lungo con tale nonnismo, ho bisogno di cercare gruppi simili che non facciano vergognare così tanto i geek.
Hai scritto che questo gruppo sta cercando una rappresentazione unificata dei modelli MoD, questi sono i modelli che vorrei vedere.
Sì tali pensieri sono stati espressi ad alta voce e non solo lì ho sentito su di esso tra l'altro, sul elite-trader ha parlato ricordo, forse qui sentito qualcosa di simile, propongo di discutere in privato se si desidera stabilire un formato per la condivisione di modelli, ho anche pensieri su questo argomento, in realtà ogni coder sacome farlo a modo loro, solo una questione di standard, qualcosa come fullstack C++ dll-grall pattern che prende i dati grezzi e le previsioni di output e un paio di righe di codice da inserire da sharp's peyton, ecc. Chi se ne frega di dove.
Per il confronto come pronto a mostrare i loro, modesti sviluppi, ho addestrato modelli serializzare in formato binario o testo e in forma di un codice sorgente.
L'idea principale è quella di utilizzare il meccanismo della strategia di uscita.
Zhenya:
Hai scritto che in questo gruppo si sta considerando una rappresentazione unificata dei modelli MoD, questi sono i modelli che vorrei vedere.
Sì tali pensieri sono stati espressi ad alta voce e non solo lì ho sentito a proposito, su elit-trader mi ricordo, forse qui ho sentito qualcosa di simile, propongo di discutere in privato se volete come possiamo regolare il formato dello scambio di modelli, ho anche pensieri su questo argomento, in realtà ogni coder sacome farlo a modo loro, solo una questione di standard, qualcosa come fullstack C++ dll-grall pattern che prende dati grezzi e previsioni di output e un paio di righe di codice da inserire da sharp's peyton, ecc. Chi se ne frega di dove.
C'è PMML per esempio.
https://ru.wikipedia.org/wiki/Язык_разметки_прогнозного_моделирования
C'è una libreria per R (chiamata anche pmml) che può convertire i modelli più popolari in questo formato.
è possibile:
1) addestrare il modello in R come al solito
2) Convertire il modello in pmml
3) salvare il modello pmml in un file xml e condividerlo
Qualche tempo fa volevo fare uno script per mql che potesse leggere i file xml con i modelli pmml, in modo da poter incorporare nella mia EA la predizione di gbm allenati da r con un paio di righe di codice (includere lo script + pmml come risorsa). Ma non sono riuscito a farlo.
Questo non è adatto se si vuole mantenere segreto il modello stesso, perché nel file xml saranno prescritti i pesi dei neuroni o dei rami della foresta.
Per la totale segretezza della disposizione del modello, si può usare un'idea di un concorso di datascientist - richiedono un file con centinaia di migliaia di previsioni su di esso. Da lì possono usare questo file per interpolare le previsioni per ottenere una previsione accanto a quella esistente.
C'è PMML, per esempio.
https://ru.wikipedia.org/wiki/Язык_разметки_прогнозного_моделирования
C'è una libreria per R (chiamata anche pmml) che può convertire i modelli più popolari in questo formato.
si può fare in questo modo:
1) addestrare il modello in R come al solito
2) convertire il modello in pmml
3) salvare il modello pmml come file xml e condividerlo
Qualche tempo fa volevo fare uno script per mql che potesse leggere i file xml con i modelli pmml. Poi avrei potuto incorporare in EA la predizione di gbm addestrati da r con un paio di righe di codice (includendo lo script + pmml come risorsa). Ma non sono riuscito a farlo.
Non è adatto se volete tenere segreto il modello stesso, perché nel file xml saranno prescritti i pesi dei neuroni o dei rami della foresta.
Purtroppo la segretezza è un requisito importante qui))) Si tratta del protocollo di scambio offuscato da modelli C++ che prendono dati grezzi in ingresso e previsioni di uscita, quindi si può prendere un modello con la descrizione dei suoi ingressi e uscite, usarlo per esempio un mese o per quanto tempo è stato progettato senza modifiche (formazione supplementare, ecc.) e trarre conclusioni (comprare, affittare, ecc.)
È auspicabile che fosse solo una cartella con i file, diversi binari in cui capire i dettagli non è conveniente.
Per la totale segretezza del dispositivo del modello, si può usare un'idea da un concorso di datascientist - richiedono un file con centinaia di migliaia di previsioni. Da lì possono usare questo file per interpolare le previsioni per ottenere una previsione accanto a quella esistente.
Se intendi numerai allora il loro approccio non funzionerà, in questo caso, per "modello" intendono l'insieme completo delle trasformazioni dei dati grezzi in una previsione, prima di tutto sono segni, numerai ha un concorso per studenti per commercializzare la loro moneta (NMR), non può essere in qualche modo collegato con i mercati reali, l'ultima cosa di cui l'hedge fund avrà bisogno è esternalizzare la classificazione pura. Se state parlando di un'altra competizione, ditemelo per favore.
Sì.
Il loro modo non è senza merito. Ho provato i miei modelli a prevedere centinaia di migliaia di istanze casuali. Poi, per le previsioni della scatola nera, ho cercato il punto più vicino in coordinate e ho usato il suo risultato come previsione stessa. Questo prototipo ha funzionato, ma potrei migliorarlo per davvero - trovare 3 punti più vicini e triangolare il risultato medio. Ma questo è computazionalmente costoso, anche con un widget opencl può richiedere un paio di secondi per fare la previsione.
Viene introdotto qualche parametro aggiuntivo che corrisponde allo stato del processo e da cui dipendono i parametri del modello. Anche questo parametro è previsto.
È molto simile alla memoria nelle RNN ( reti neurali ricorrenti)
I predittori e un altro valore (memoria) sono inseriti nel modello. Il modello produce due numeri nella predizione - il target stesso, e un nuovo valore di memoria che sarà usato insieme ai predittori nella predizione successiva. Ecco perché è una rete ricorrente, il suo output sarà usato come input per la volta successiva, e così via in un cerchio ogni volta.
Le RNN nel forex sono molto sovralimentate, è male, non si può fare tutto da manuale e mettere trade.
Ma per un modello con solo un paio di parametri ha una precisione abbastanza buona, paragonabile a un normale neurone con un grande strato nascosto, mi stupisce ancora.
Questo è molto simile alla memoria nelle RNN (reti neurali ricorrenti)
I predittori e un altro valore (memoria) sono alimentati all'ingresso del modello. Il modello produce due numeri nella predizione - l'obiettivo stesso, e un nuovo valore di memoria da usare insieme ai predittori nella predizione successiva. Ecco perché è una rete ricorsiva, il suo output sarà usato come input la volta successiva, e così via in un cerchio ogni volta.
Le RNN nel forex sono molto sovralimentate, è male, non si può fare tutto da manuale e mettere trade.
Ma per un modello con solo un paio di parametri ha un'accuratezza abbastanza buona, paragonabile a un normale neurone con un grande strato nascosto, mi stupisce ancora.
Grazie, sembra davvero così.