L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1015
![MQL5 - Linguaggio delle strategie di trading integrato nel client terminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
In senso stretto, in un campione rolling di rimpatriati, dobbiamo calcolare lo stimatore ACF per quella serie discreta. Se è periodico, allora il prossimo ritorno è previsto al 100% da Kolmogorov. Ma non conosco il criterio per valutare la periodicità dell'ACF. Non posso guardarlo solo a occhio.
Più caldo.
Espandiamo l'insieme dei predittori NON così comuni per i modelli di predizione.
Da qui
Meta-apprendimento come prevedere le serie temporali
Thiyanga S Talagala, Rob J Hyndman e George Athanasopoulos
Solo il guru divino e un paio di suoi padawan aggiungono persone lì, lanciami il tuo Skype e i dati su di te in un messaggio privato, chiederò, ma non prometto nulla perché non sono un'autorità lì, solo uno spirito disincarnato, sporco sulle pantofole. Sono i cardinali grigi, burattino e compagnia, che vengono individuati per attività quasi di mercato, vengono marchiati a vita con la vergogna, a lavare via la vergogna può essere solo per decine di miliardi di verde.
Grazie, non tanto interessato all'adesione, che capisco comporti notevoli difficoltà, ma a guardare il livello, che probabilmente non è meno significativo.
Hai scritto che questo gruppo sta cercando una rappresentazione unificata dei modelli di IO, questi sono i modelli che vorrei vedere.
Sono pronto a mostrare anche i miei modesti sviluppi per un confronto, serializzo i modelli addestrati in formato binario o testo e come codice sorgente.
Più caldo.
Estendere l'insieme dei predittori NON così comuni per i modelli di predizione.
Da qui
Meta-apprendimento come prevedere le serie temporali
Thiyanga S Talagala, Rob J Hyndman e George Athanasopoulos
Un buon articolo di sondaggio. Solo che secondo me l'insieme delle serie temporali considerate è troppo ampio per noi. Mi piacerebbe vedere una revisione simile dei metodi ma per il tipo di serie che ci interessa.
Inoltre mi piacerebbe vedere alcuni nuovi metodi e modelli. C'è per esempio la diffusione anomala(più popolare).
Un buon articolo d'insieme. Solo che, secondo me, la moltitudine di serie temporali considerate è troppo ampia per noi. Mi piacerebbe vedere una panoramica di metodi simile, ma per il tipo di serie che ci interessa.
Inoltre mi piacerebbe vedere alcuni nuovi metodi e modelli. C'è per esempio la diffusione anomala(più popolare).
Ho citato questo link per la tabella: è un nuovo sguardo ai predittori e uno sviluppo dell'idea di Alexander su ACF.
Ho portato il link a causa della tabella: un nuovo sguardo ai predittori e come sviluppo dei pensieri di Alexander su ACF.
Dal lato buono, invece di torturare se stesso e noi con modelli vecchi di 70 anni, avrebbe studiato meglio questa diffusione molto anomala e la sua applicazione al mercato. Sarebbe un'utile applicazione del suo enorme entusiasmo e della sua educazione fisica.
Il parametro ZZ è diverso per ogni strumento e timeframe. Per esempio per EURUSD M15 un buon valore iniziale di 15 pips (4 cifre). Dipende anche dai predittori che usate. È una buona idea ottimizzare tutti i parametri dei predittori e di ZZ. Quindi è auspicabile avere predittori non parametrici, rende la vita molto più facile. In questa capacità i filtri digitali mostrano buoni risultati. Usando gli ensemble e la combinazione a cascata ho ottenuto una precisione media = 0,83. Questo è un ottimo risultato. Domani vi manderò un articolo per la verifica, che descrive il processo.
Buona fortuna
E come si scoprono le impostazioni ZZ, puramente provando diversi modelli, e quello che dà il miglior risultato con queste impostazioni è il migliore?
Perché preferite i punti per ZZ piuttosto che il tempo (barre)?
E come si scoprono le impostazioni ZZ, puramente provando diversi modelli, e quello che dà il miglior risultato con queste impostazioni è il migliore?
Perché preferite i punti per ZZ piuttosto che il tempo (barre)?
1. Ci sono diversi metodi per ottimizzare
2. per esperienza.
Buona fortuna
Ieri mi è venuto in mente un pensiero: perché cerchiamo alberi decisionali, cioè un modello che descrive un'entità? Cioè, perché dovremmo descrivere l'intera entità, forse dovremmo solo cercare i pezzi di quell'entità che sono più comprensibili e prevedibili? Ho pensato che siccome raccolgo foglie di alberi, forse dovrei usare un metodo per trovare tali foglie senza costruire un albero decisionale completo, che dovrebbe, come ho capito, dare un aumento di qualità per la stessa quantità di tempo di calcolo speso.
Ho cercato su Internet e non vedo questo metodo da nessuna parte. Forse qualcuno conosce tali sviluppi?
Mentre elaboro l'algoritmo, penso che prima di tutto ho bisogno di selezionare i predittori, che mostrano la capacità predittiva di una delle classi, a che i predittori devono essere resi binari (per questo devo formare il mio campione per ogni predittatore o formare margini di esclusione dal campione generale (cosa è più ragionevole?)). Poi già usare i predittori selezionati (e le loro combinazioni) per costruire stub per una classe particolare (nel mio caso 3 classi), e poi usare questi stub per costruire i predittori rimanenti. Allo stesso tempo possiamo anche controllarli per la preferenza di una certa classe. Poi, secondo l'idea, troveremo le aree che sono le più adatte alla classificazione per le specifiche classi di destinazione. E l'area rimanente sarà solo un campo di inattività/attesa.
Naturalmente, possiamo poi vedere dove le foglie sono stratificate l'una sull'altra e fare un risultato medio in questi casi. E possiamo costruire un albero come quello, ma con elementi di voto a causa della densità in diverse aree di diversi obiettivi.
Cosa ne pensate di questa idea?
1. Ci sono vari metodi di ottimizzazione
2. per esperienza.
Buona fortuna
1. È quello che vorrei sapere su questi metodi. Perché sto reinventando di nuovo la bicicletta (ho già abbozzato l'ideologia), e improvvisamente tutto è già stato fatto prima di noi...
2. Capisco. Ma è irragionevole.
Vladimir, potresti suggerire alcuni metodi di "selezione futura" (o qualcosa del genere) ma applicabili a BP? Non so se c'è qualche metodo di "selezione del futuro" (o qualcosa del genere) rispetto al BP, forse l'algoritmo analizza il BP e rimuove o aggiunge qualcosa per rendere la previsione migliore, google non potrebbe aiutarmi(