L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1743
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
È una cosa complicata, non si può sapere esattamente come affrontarla... è tutto molto vago.
Non so se è troppo da fare per i segni o cosa.
cosa c'è?
L' ho trovatoqui .
Ho controllato la fonte, ma da nessuna parte ho visto una conclusione inequivocabile sulle scarse prestazioni di questo metodo....
cosa c'è?
Vedi l'interessante pacchetto TSrepr (Time Series Representations) in R.
"I metodi di rappresentazione delle serie temporali possono essere divisi in quattro gruppi (tipi) (Ratanamahatana et al. (2005)):
Nelle rappresentazioni non adattive dei dati, i parametri di trasformazione rimangono gli stessi per tutte le serie temporali, indipendentemente dalla loro natura. Nelle rappresentazioni adattive dei dati, i parametri di trasformazione variano a seconda dei dati disponibili. Un approccio alla rappresentazione basato sul modello si basa sul presupposto che la serie temporale osservata è stata creata sulla base di un modello di base. L'obiettivo è trovare i parametri di un tale modello come rappresentazione. Due serie temporali sono quindi considerate simili se sono state create dallo stesso set di parametri di un modello di base. Negli approcci dettati dai dati, il rapporto di compressione è definito automaticamente in base alle serie temporali grezze, come quelle ritagliate (Aghabozorgi, Seyed Shirkhorshidi, e Ying Wah (2015)).
I metodi più famosi (ben noti) per rappresentazioni di tipo non adattivo sono PAA (Piecewise Aggregate Approximation), DWT (Discrete Wavelet Transform), DFT (Discrete Fourier Transform), DCT (Discrete Cosine Transform) o PIP (Perceptually Important Points). Per le rappresentazioni di tipo adattivo dei dati, sono SAX (Symbolic Aggregate approXimation), PLA (Piecewise Linear Approximation) e SVD (Singular Value Decomposition). Per le rappresentazioni basate su modelli sono ARMA, profili medi o coefficienti di regressione stimati da un modello statistico (per esempio modello lineare). I dati dettati sono il tipo di rappresentazione meno conosciuto e il metodo più famoso di questo tipo è il clipping (rappresentazione a livello di bit) (Bagnall et al. (2006)).
Nel pacchetto TSrepr, questi metodi di rappresentazione delle serie temporali sono implementati (i nomi delle funzioni sono tra parentesi):
Nondata adattabile:
Dati adattivi:
Basato su modelli:
Dati dettati:
Trasformazioni molto interessanti che dà, incluso il clustering.
Buona fortuna
Guarda l'interessante pacchetto TSrepr(Time Series Representations) in R.
Ricorda, quando ti ho chiesto di fare uno script per mt4, c'era la neuronica addestrata dal pacchetto nnfor, e l'obiettivo era PIP- Perceptually Important Points (repr_pip) da TSrepr :)
Vladimir, ho qualche domanda, se posso...
1) Dimmi quale errore massimo sei riuscito a raggiungere sulla classificazione della direzione a zigzag su EURUSD? E hai usato noisefilter mentre lo facevi?
2) La "discretizzazione" dei predittori, che avete descritto nei vostri articoli, peggiora la qualità dell'apprendimento
3) Voglio provare a fare una specie di meta-apprendimento, al livello più basso, il succo dell'idea è il seguente:
n1. addestrare un previsore sui dati
n2. tiriamo fuori tutte le regole che Forest ha generato e le presentiamo come nuovi predittori; ogni regola è un predittore quindi abbiamo 500-1000 regole. I predittori sembrano "scarsi", ma cosa si può fare?
P.3 Addestrare un nuovo modello sulle regole predittive...
L'idea è quella di
1) aumentare il numero di predittori
2) ottenere regole più complesse e profonde, cioè regole più gerarchicamente complesse
3) La foresta mostra la predizione come somma di tutte le regole (alberi), penso che se consideriamo non la somma di tutte le regole ma le regole separatamente allora possiamo separare meglio le etichette di classe, forse trovare alcune combinazioni uniche di regole ecc.
La domanda è: quello che ho appena scritto non è il solito gradient boosting?
4) Inoltre, dove posso trovare quegli indicatori spettrali che sto usando satl, fatl, ecc.
L' ho trovatoqui .
Ho letto il thread e sono arrivato alla stessa conclusione. E la previsione di cssa è fatta in modo intelligente, prevedendo gradualmente un passo avanti, è davvero così efficace?
Qualche confronto di velocità tra bpf e ssa? Altrimenti, prendete le wavelets complesse e sono le stesse cifre di Lessage. Solo che non è chiaro come metterli nell'ottimizzatore, è più adatto al tuning visivo.
cssa si traduce in SSA causale. Questo metodo è nel libro del 2013.
Oleg e Miklouha sono stati banditi).
Oleg è stato unbannato ma Miklokh è stato unbannato per qualche motivo ............