L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 192

Nuovo commento
 
Yury Reshetov:

Tutto il mondo ha aspettato questo momento con il fiato sospeso.

E ora è finalmente successo!

È stata rilasciata la versione 12 di jPrediction, che genera il codice dei classificatori ternari addestrati in MQL. Gli utenti di MetaTrader non hanno più bisogno di portare i codici classificatori ternari da Java a MQL. Tutto il codice per MQL è ora memorizzato in file con estensione mqh.

(Forte applauso e grida di "Hurrah!")

Ma non è tutto. jPrediction 12 è ora circa il 12% più veloce della versione precedente!

(Forte applauso mentre si lanciano le cuffiette)

Numerosi utenti di jPrediction possono scaricare e utilizzare la versione 12 gratuitamente scaricandola dal mio sito web (link nel mio profilo, primo post sulla mia home page).

(Battito di tasti e movimento degli indicatori di download sui monitor)

Le congratulazioni sono accettate sia verbalmente che in forma scritta, si possono anche ricevere regali e trasferimenti di denaro tramite WebMoney.

Mi imbarazza chiedervi per quale versione del MKUL? 4 o 5?
 
Mihail Marchukajtes:
Mi imbarazza chiederlo, per quale versione di MKUL? 4 o 5?
Ho controllato sulla versione 5. Ma non ci sono OOP e altre caratteristiche tipiche solo della versione 5. Quindi sembra che ci dovrebbe essere compatibilità con il 4? IMHO naturalmente, perché non ho controllato il 4.
 
Yury Reshetov:
L'ho controllato sulla 5a versione. Ma non ci sono OOP e altre caratteristiche tipiche solo del 5. Quindi sembra che ci dovrebbe essere compatibilità con il 4, giusto? Certo, non credo, dato che non l'ho controllato sul 4.

Ottimo, ho appena controllato il codice che genera Prediction con quello che ho scritto io, il risultato è lo stesso. Ero solo preoccupato se avevo un errore, come ricordate con 1d, ora ho controllato, il risultato è identico. A partire da oggi la selezione del segnale per l'acquisto era così male che ho deciso di lasciare quello di ieri e non ho perso, e ho ottimizzato l'uscita 12 con risultati migliori ma ho meno entrate... ho solo tre. Quindi tutto sommato ok, ma domani dovremo vedere più dettagli. Quindi domani riferirò più specificamente.... Comunque, la pittura a olio di oggi... giudicate voi stessi.....Grida lamentarsi. E lasciatemi spiegare di nuovo, i segnali che la rete ha definito come "non so" (punti senza frecce). Noi determiniamo dal fatto. Per oggi è vero. Quindi quando la rete dice "non lo so" si intende che è vero...

 
Yury Reshetov: è stata rilasciata la versione 12 di jPrediction...
Il suo esempio per gli altri è una scienza;
Ma, mio Dio, che noia
Stare con un malato giorno e notte,
Senza un passo di distanza!
Che bassa insidia
Per divertire un uomo mezzo morto,
Per aggiustare i suoi cuscini,
Per portare la medicina tristemente a lui,
E sospirare e pensare tra sé e sé:
Quando il diavolo ti prende!)))
 
Oggi è lo stesso giorno di ieri, quindi ho deciso di non riaddestrare i modelli, ma di scambiarli. Quindi non posso ancora valutare appieno il lavoro del 12° rilascio. Ma quando sarà il momento, riferirò :-)
 

ho trovato un pacchetto che ti permette di dare un'occhiata più approfondita agli algoritmi MoD, io non ci capisco niente, ma qualcosa mi dice che è un buon pacchetto, forse qualcuno sarà interessato...

ч

partykit

 
.
N+1: научные статьи, новости, открытия
  • nplus1.ru
Чуть больше, чем наука
 

È uscita la 14a versione di jPrediction.

La nuova versione ha un algoritmo migliorato per identificare e rimuovere i predittori insignificanti dai modelli

Puoi scaricare gratuitamentejPrediction 14 e usarlo per compiti di classificazione scaricandolo dal mio sito web (link nel mio profilo, post più in alto nella mia homepage).

 

Gli esempi (indicatori) sono solo a scopo illustrativo Non raccomando l'uso di indicatori

Immaginiamo per un momento la seguente situazione: abbiamo 5 predittori e il prezzo, abbiamo bisogno di prevedere il movimento del prezzo con alta probabilità( diciamo, oltre il 70%)) e sappiamo in anticipo che c'è solo un modello in questi predittori che può essere utilizzato per prevedere il mercato con una tale precisione. Questo è quandoRSI e stocastico fanno un mini zigzag giù nella zona ~50


sq

A proposito, notate che il modello si trova per così dire in due piani di visione, digitale (modello nell'area ~50) e figurativo (zigzag - immagine), quindi quando si cercano modelli ha senso considerare tali piani...

Questo è tutto, non ci sono più modelli di lavoro in quei predittori, tutto il resto è solo rumore, quei primi tre indicatori sono originariamente rumore, e inRSI e stocastico c'è solo un modello, tutto il resto inRSI e stoch è anche rumore totale...

Ora pensiamo a come possiamo cercare tali schemi nei dati... I MO convenzionali possono farlo?

La risposta è no, perché?

Poiché l'obiettivo dei MO è quello di prevedere tutti i movimenti, si tratta di uno zigzag o di un colore di traccia. candela o direzione o... o.. .tutti gli obiettivi costringono i MO a prevedere tutti i movimenti di prezzo , e questo è impossibile nei predittori di rumore sotto il 99%...

Racconterò una piccola storia con la morale, ho creato un campione sintetico di 20 predittori, 4 predittori interagendo insieme, spiegano completamente l'obiettivo, gli altri 16 predittori erano solo rumore casuale, dopo l'addestramento sui nuovi datiil modello"OOS" haindovinato tutti i nuovi valori, ha mostrato errore 0%.... La morale di questa favola è: se ci sono predittori nei dati che possono spiegare completamente l'obiettivo, sia MI sarà addestrato eOOS si comporterà normalmente... I nostri risultati mostrano il contrario, in quei campioni che alimentiamo in MI c'è più del 5% di informazioni utili che possono spiegare il 5% dell'obiettivo, e noi vogliamo il 100% di esso, sai Utopia di approccio? Ecco perché i MO si sovrallenano, li facciamo sovrallenare noi stessi volendo prevedere tutto al 100%.

Quindi, tornando al punto principale, come cerchiamo questi modelli di lavoro? Come facciamo a trovare quell'"ago" di robustezza nella "pila " di dati?

Suggerisco di sbarazzarsi del MO in linea di principio, tutto ciò di cui abbiamo bisogno è solo di rompere ogni predittore in piccoli pezzi di situazioni simili (pattern) e provando tutte le possibili combinazioni e confrontandole con quella di destinazione troveremo ciò che stiamo cercando... Ora, come rompere i predittori? Con cosa?

La risposta è semplice, anche se non l'ho capito subito, dobbiamo solo raggruppare stupidamente ogni predittore in, diciamo, 30 cluster.

fd

Basta dividere ogni predittore in quei cluster e provare diverse combinazioni tra loro per trovare alcuni modelli che funzionano, come nell'immagine - quando lo stocastico ha il cluster 1 e l'RSI ha il cluster 2, ci sarà una crescita...

Ora per il succo di come cercare i modelli di lavoro

Questo è il nostro ipotetico campione,obiettivo. L'etichetta è l'obiettivo, che diciamo significa crescita/declino

dat cluster1 cluster2 cluster3 cluster4 cluster5 target.
                                                
                                                  
                                                   
                                                
                                                
                                                 
                                                 
                                                 
                                                  
                                                 
                                                 
                                                 
                                                  
                                                
                                                 
                                                
                                               
                                                 
                                                 
                                                
                                                 label1        24        5       18       21       16            1
2         2       15       12        7       22            1
3        13       13       16       29       24            0
4        23       28       22       10        4            1
5         6       12       20       25       11            0xml-ph-00
Tabella 1

Esempio di come cercare la crescita

cerchiamo le linee che sono ripetute almeno 10 volte nell'intero campionamento e in ciascuno dei gruppi identici trovati che sono stati ripetuti, il numero di "1" in target.label dovrebbe essere più del 70% da "0".


cluster1 cluster2 cluster3 cluster4 cluster5 target.label                   
                                                 
                                                 
                                                 
                                                 
                                                1        24        5       18       21       16            1
2        24        5       18       21       16            1
3        24        5       18       21       16            0
4        24        5       18       21       16            1
5        24        5       18       21xml-ph-0032@dee
 Talb. 2
ecco le linee trovate identiche con più uno che zero...


Questo è essenzialmente il modo in cui abbiamo trovato la combinazione di cluster che è un modello di lavoro...


Inoltre è necessario non solo provare tutte le possibili combinazioni di numeri di cluster in ogni predittore ma anche le combinazioni di cluster stessi che prendono solo 1 e 4 cluster o 1, 3, 5 cluster ecc.


Vantaggi del metodo rispetto al solito MO, o meglio nemmeno vantaggi, è ciò che è assente nel MO, ma il buon senso dice che dovrebbe essere...
1)Il metodo spiega solo quella parte dell'obiettivo che può realmente spiegare e non cerca di spiegare tutto il 100% dell'obiettivo come fanno tutti i PM, compreso Reshetova
2) Il metodo è profondo - non si limita a selezionare i migliori predittori ma seleziona le migliori situazioni all'interno dei predittori stessi, è un modo di analisi molto più profondo di altri IR.
3) A causa dei punti 1) e 2) il metodo trova automaticamente quegli indicatori che
separare perfettamente il piano delle caratteristiche 
qe

4) c'è una discreta barriera statistica quando troviamo un gruppo di situazioni identiche (vedi tabella 2) ci dovrebbe essere un minimo di 10. Questo minimo fa sperare che il risultato statistico sul bersaglio sarà affidabile, nei MO convenzionali ci possono essere solo due situazioni simili che sul bersaglio sono finite, diciamo, in caduta e tutto! MO lo considererà già come uno schema breve, con solo due osservazioni, capite l'inquietudine della situazione?
5) C'è una discreta barriera di probabilità , quando troviamo un gruppo di situazioni identiche, vedi Tabella 2, il numero di uno in questo gruppo (per un lungo periodo) dovrebbe essere superiore del 70% rispetto agli zero, questo fa anche sperare che la probabilità sia forte e non casuale... Anche in questo caso non ce l'abbiamo nel MO normale dove l'1% di zeri sarebbe un modello di desiderio, è inquietante anche questo, no?
6) L'algoritmo lavora con le correlazioni nei predittori e non tutti gli IR lo fanno.
7) È facile visualizzare o programmare il modello trovato, in parole povere si può semplicemente capire
 interpretare il modello, non tutti gli IR possono farlo
Gli esempi (indicatori) sono solo a scopo illustrativo, raccomando vivamente di non usare indicatori
 
mytarmailS:

Non sono sicuro di cosa intendi per "clustering". Di solito non si raggruppa un particolare predittore, ma se ne prendono una dozzina, e si trovano aree nello spazio dove questi punti si raggruppano. Per esempio nell'immagine qui sotto, avendo due predittori, il clustering in 2 cluster ci darà i cluster blu e rosso.

Forse stai parlando di modelli? Modello verde - il prezzo scende e poi sale. Giallo: il prezzo sale. Rosso: su-> giù. Hai capito?

1...185186187188189190191192193194195196197198199...3399
Nuovo commento