L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1106
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
I piccoli li chiamiamo piatti, i grandi una tendenza...
Ma anche qui la domanda è cosa sono i movimenti piccoli e grandi, in relazione a cosa sono piccoli o grandi?
In effetti, questa domanda dà la risposta al perché i sistemi parametrici e i mo tra questi non funzioneranno mai su dati di mercato non elaborati
Beh, non ci sono definizioni chiare - dove è un piatto, dove è una tendenza, piccolo o grande. Per alcune applicazioni piccolo, per altre grande.
Definite ciò che è piccolo per voi (il vostro sistema) e ciò che è grande in ogni unità particolare, e tutto andrà immediatamente a posto.
Comunque, ecco come stanno le cose. Ho iniziato a usare il boosting perché oltre all'accuratezza e all'alta generalizzabilità in questo algoritmo la costruzione del modello è più univoca. Il metodo è anche più facile da impostare a causa del piccolo numero di parametri esterni specifici. L'unico svantaggio è il carico di memoria durante il calcolo e quindi la dimensione del modello aumenta di decine o centinaia di megabyte a seconda del numero di iterazioni. Dopo il confronto con i metodi della foresta casuale e delle reti neurali poco profonde, sono giunto alla conclusione che il boosting è più preferibile per i compiti di classificazione.
Ho testato molti predittori. Si tratta principalmente di serie temporali sequenziali costruite a partire dai più svariati indicatori e dalle loro combinazioni. L'ho testato in modalità multicurrency (27 valute) utilizzando il metodo del programma, tenendo conto dello spread reale (2 punti). Tempo - un'ora. In uscita - una classe binaria, calcolata usando un segnale a zigzag con una profondità di passo di 100 punti. Quasi tutti i risultati sono negativi. Se escludiamo lo spread, il plus può essere significativo. Come opzione, potresti provare a prendere un timeframe più alto.
Ho pensato a come sviluppare ulteriormente lo studio:
1. Provate uno zigzag di un altro tipo o con parametri diversi in uscita.
2. utilizzare i segnali a componente ciclica estratti con il metodo di Fourier o i filtri wavelet sull'uscita.
3. utilizzare i valori degli indicatori della produzione reale (regressione). Per esempio, la differenza di prezzo delle candele di chiusura e di apertura, il cambiamento di prezzo per diverse barre avanti.
4. usare dati incoerenti come predittori, per esempio, punti chiave o livelli
5. filtrare il campionamento iniziale in base a diversi indicatori (indicatori Volumе o ATR), cioè formare solo per lavorare in certe parti del mercato.
Sarò lieto di ricevere i vostri suggerimenti e opinioni.
Sto aspettando che qualcuno raggiunga un risultato dalle molte parole intelligenti espresse in questo thread, personalmente non ho bisogno né di codice sorgente né di algoritmi, ma del risultato del MO sotto forma di un segnale congelato o di screenshot in un paio di giorni. Ma finora non abbiamo fatto altro che parlare, e senza alcuna ragione.
A proposito di flat e MO, infatti l'AI troverà il comportamento probabilistico necessario al momento attuale nel processo di apprendimento se sarà un flat o un pulse. Quindi non vedo alcun senso nello scrivere algoritmi separati per determinare il flat, è un'attività inutile.
Se non sapete come risolvere questo problema, non otterrete segnali o rapporti finanziari da loro. Non pensarci nemmeno. Non ci sono e non ci saranno che chiacchiere.
Per quanto riguarda il MO, questi metodi non hanno nulla a che fare con l'AI. E i metodi MO non troveranno nulla da soli, a meno che voi non mostriate e diciate loro cosa cercare e dove cercare. Altrimenti sarà come in una frase banale: spazzatura dentro - spazzatura fuori, e niente di più. Checché ne dicano i guru nostrani, uno dei problemi principali dell'applicazione MO è la preparazione di dati rappresentativi. E tutti i tipi di split trend-flat possono essere necessari per preparare tali dati, invece di alimentare indiscriminatamente tutto all'ingresso del MO.
Aspettando che qualcuno sia in grado, tra i molti intelligenti
Aspettando, aspettando....
Apri già gli occhi )))
Ecco un esempio di rete neurale a livelli.
Rosso ipervenduto, verde ipercomprato...
Guardate l'immagine anteriore, l'eu era ipercomprato ed ecco la reazione
(Le previsioni sono in diretta)
Aspettando, aspettando....
Apri gli occhi))
Ecco un esempio di rete neurale a livelli.
Rosso ipervenduto, verde ipercomprato...
Guardate l'immagine prima, l'eu era ipercomprato ed ecco la reazione
previsioni dal vivo).
Ora disegniamo una linea di regressione e stabiliamo un canale e tutti questi livelli coincideranno con i limiti del canale. E l'ipercomprato/ipervenduto non sarà più necessario.
Nessun vero trader, sano di mente, vi mostrerà mai segnali o rapporti finanziari. Non si faccia illusioni. Ci sono e ci saranno solo chiacchiere.
Per quanto riguarda il MO, questi metodi non hanno nulla a che fare con l'AI. E i metodi MO non troveranno nulla da soli, a meno che voi non mostriate e diciate loro cosa cercare e dove cercare. Altrimenti sarà come in una frase banale: spazzatura dentro - spazzatura fuori, e niente di più. Checché ne dicano i guru nostrani, uno dei problemi principali dell'applicazione MO è la preparazione di dati rappresentativi. E tutti i tipi di split trend-flat possono essere necessari per preparare tali dati, invece di alimentare indiscriminatamente tutto all'ingresso del MO.
come è
Ora traccia una linea di regressione attraverso tutto questo e costruisci un canale, e tutti questi livelli coincideranno con i confini del canale. E l'ipercomprato/ipervenduto non sarà più necessario.
Spiegare
spiegare
Proverò sulla tua foto.
Lo proverò sulla tua foto.
Per favore, è il migliore.
Per favore, questo è il modo migliore.
Questo è più o meno come sarebbe. La linea di regressione può essere sostituita da un EMA lungo
.