L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1342
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
Congratulazioni.
Terminale: Aggiunta API per la richiesta di dati dal terminale MetaTrader 5 tramite applicazioni che utilizzanoR.
Abbiamo preparato un pacchetto speciale MetaTraderR. Contiene DLL per l'interazione tra R e il terminale MetaTrader 5, documentazione e file r ausiliari. Ilpacchetto è in fase di registrazione nel repositoryCRAN e sarà disponibile per il download e l'installazione nel prossimo futuro.
Aspettiamo il seguito.
Buona fortuna
O forse anche le condoglianze, perché ora è facile confrontare il lavoro con il nativo mql sui grandi dati e capire - che merda questo r...)
Ecco un altro modo di rappresentare il comportamento dei modelli nel campione - qui per colore:
TP - classificazione corretta "1" - verde
FP - errore di classificazione "1" - rosso
FN - errore di classificazione "0" (in realtà manca "1") - blu
La dimensione dello schermo è grande - è più interessante da guardare con un clic.
E la gif sulla pressione delle due varianti cambierà per chiarezza
si può vedere che i miei modelli hanno molto poco tuffo nel mercato, come c'è un sacco di blu - abbiamo bisogno di guardare le ragioni per l'inattività. Forse dovrei cercare altri modi per fermare l'apprendimento, non solo con la precisione. Naturalmente, avrei impostato sia la completezza che la precisione ad alcuni limiti, ma per qualche ragione sconosciuta questa opzione di arresto dell'istruzione non è fornita dagli sviluppatori, il che è un peccato.
Salta a causa di ricerche che superano gli intervalli di valori
ha trovato dei predittori interessanti?
omissioni dovute a caratteristiche che superano gli intervalli di valori
avete trovato qualche predittore interessante?
Quindi pensi che tali valori non sono mai stati incontrati prima nella storia ed è per questo che il modello inattivo forma delle lacune, cioè il campione non è abbastanza completo per la formazione?
Beh, i miei pronostici sono tutti interessanti - sono stati fatti nel corso degli anni :) Cosa funziona meglio, non lo so ancora, attualmente sto lavorando su uno script che mi aiuterà a capirlo meglio, spero.
Congratulazioni.
Terminale: Aggiunta API per la richiesta di dati dal terminale MetaTrader 5 tramite applicazioni che utilizzano illinguaggio R.
Abbiamo preparato un pacchetto speciale MetaTraderR. Contiene DLL per l'interazione tra R e il terminale MetaTrader 5, documentazione e file r ausiliari. Ilpacchetto è in fase di registrazione nel repositoryCRAN e sarà disponibile per il download e l'installazione nel prossimo futuro.
Aspettiamo il seguito.
Buona fortuna
Molto interessante, aspetteremo
Ciò che gli alberi stanno facendo rumore...
Nel grafico sull'asse Y è il numero della foglia (albero binario), e sull'asse X è la stringa di campionamento (stringa di test in questo caso). Le gamme di colore nella legenda - valori presi modulo, mostrano la risposta della foglia. Il modello utilizza 7 alberi, cioè un valore da ogni foglia arriverà a una riga, 7 in totale, vengono sommati e poi viene applicata la funzione logistica, per esempio la somma di 0 sarà uguale a 0,5.
Si può concludere dal grafico che alcune delle foglie non sono state attivate nel periodo del campione di prova, cioè le situazioni nel campione di allenamento e di prova non sono state ripetute, si può anche notare una grande concentrazione di foglie con bassa risposta (rosso) che non influenzano significativamente il risultato, indicando più probabilmente rumore o disunione di condizioni logicamente simili.
Grafico del modello nel mercato
Il grafico dell'equilibrio di precisione
Il modello è preso solo per esempio come contenente un piccolo numero di foglie (alberi).
Ho provato ad addestrare una rete neurale in Python. Il pacchetto è scikit-learn, il NS stesso è sklearn.neural_network.MLPRegressor. Neuroni oltre 100, strati nascosti -7, ingressi -19, uscita - 1. Il compito è quello di prevedere un processo casuale.
Il compito è artificiale, fatto su un generatore di rumore e in modo che questo rumore possa essere teoricamente previsto. Provato per alcuni conteggi in anticipo.
Risultato del confronto tra previsione e reale per 5 mila punti scelti a caso:
X è la previsione, Y è il valore reale. Sono tutti molto vicini a una linea retta di 45 gradi. Cioè la previsione è quasi perfetta (su campione artificiale).
L'apprendimento è molto veloce - 24 epoche. Nel tempo, circa 10 secondi.
Devo dire che sono rimasto molto sorpreso. Ho cercato in tutti i modi di nascondere i dati. Sono sorpreso che l'abbia trovato. In generale, vicino al misticismo).
Conclusioni: Il NS sklearn.neural_network.MLPRegressor è abbastanza utilizzabile. Non ho ancora provato il classificatore.
Già provato qualcosa con il mercato, nessun risultato finora. Nessuna ricerca, dice che non c'è niente, anche se il compito è della stessa classe di quello generato artificialmente.
Ho provato ad addestrare una rete neurale in Python. Il pacchetto è scikit-learn, il NS stesso è sklearn.neural_network.MLPRegressor. Neuroni su 100, strati nascosti -7, ingressi -19, uscita - 1. Il compito è quello di prevedere un processo casuale.
Il compito è artificiale, fatto su un generatore di rumore e in modo che questo rumore possa essere teoricamente previsto. Provato per alcuni conteggi in anticipo.
Risultato del confronto tra previsione e reale per 5 mila punti scelti a caso:
X è la previsione, Y è il valore reale. Sono tutti molto vicini a una linea retta di 45 gradi. Cioè la previsione è quasi perfetta (su campione artificiale).
L'apprendimento è molto veloce - 24 epoche. Nel tempo, circa 10 secondi.
Devo dire che sono rimasto molto sorpreso. Ho cercato in tutti i modi di nascondere i dati. Sono sorpreso che l'abbia trovato. In generale, vicino al misticismo).
Conclusioni: Il NS sklearn.neural_network.MLPRegressor è abbastanza utilizzabile. Non ho ancora provato il classificatore.
Già provato qualcosa con il mercato, nessun risultato finora. Non cerca, dice che non c'è niente, anche se il compito è della stessa classe di quello generato artificialmente.
Questo non è un compito della stessa classe.
Il mercato NON è un generatore di rumore.È un compito NON della stessa classe.
Il mercato NON è un generatore di rumore.La questione è molto discutibile)). Date il vostro modello, e se è possibile guidarlo in NS, allo stesso tempo e controllate se questo trattore funziona).
Il compito è quello di prevedere un processo casuale.
Il compito è artificiale, fatto su un generatore di rumore, e in modo che questo rumore possa essere teoricamente previsto. Provato per alcuni conteggi in anticipo.
Il risultato è un confronto della previsione con il reale in 5.000 punti scelti a caso:
Cioè, la previsione è quasi perfetta (su campione artificiale).
Quindi, i dati non sono casuali, come spiegare altrimenti.
È un punto irrilevante). Dacci il tuo modello, e se è possibile guidarlo in NS, controlleremo se questo trattore funziona).
La questione non è affatto dubbia. Ed è esattamente quello che dice il vostro NS, abbastanza funzionante sul generatore di rumore, ma non funzionante sul mercato BP con il suo risultato"Non cerca, dice che non c'è niente".