L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1922
![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
Altai... ma non ci sono andato all'ultimo momento, non volevo).
a proposito, conosci i professionisti?
Posso condividere il codice per analizzare i modelli Catbust, solo per le variabili continue. Leggere il codice C++, convertire in array MQL ed eseguire. Non posso dire che con tutti i parametri possibili funzionerà, lo stavo facendo per un formato specifico.
Io uso python per tutto.
Sputa fuori in questo formato. Classificatore binario
MQL
Condividi se non ti dispiace
Forse ne trarrà qualcosa di utile.
condividi, se non ti dispiace
Forse ne trarrà qualcosa di utile.
Ho capito che questo tipo di clustering non crea regole,
Non conosco l'algoritmo di clustering che crea le regole.
Quindi la domanda rimane - come salvare in csv appartenente alla stringa di ogni classe?
Anche se è strano, perché non possiamo continuare il clustering con i dati già esistenti e definire nuove stringhe in una delle classi, o possiamo?
Certo che si può, ma non in µl!!!
Ma ho trovato un libro su R.
Leggilo, grande libro.
E non capisco, come posso arrotolare i risultati in una colonna specifica?
Non capisco cosa vuoi))
Questa immagine ha gli stessi predittori di prima, ma la dimensione del campione è diversa, e soprattutto sono stati aggiunti nuovi predittori.
E questo è il modo di interpretarlo - la propensione al sovrallenamento?
L'ho già detto, interpretare secondo lo scopo diretto dell'utensile, e tu stai puntando a piantare chiodi con un fiore
https://ru.wikipedia.org/wiki/%D0%A1%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8#:~:text=%D0%B5%D0%B4%D0%B8%D0%BD%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%20%D0%B2%D0%BE%D0%B7%D0%BC%D0%BE%D0%B6%D0%BD%D1%8B%D0%BC%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%BE%D0%BC.-,%D0%9F%D1%80%D0%B5%D0%B8%D0%BC%D1%83%D1%89%D0%B5%D1%81%D1%82%D0%B2%D0%B0%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8,%D1%82%D0%B0%D0%BA%D0%B8%D0%BC%20%D0%BA%D0%B0%D0%BA%202D%20%D0%B8%D0%BB%D0%B8%203D.
Selezione delle caratteristiche[edit|edit code]
Un metodo diselezione delle caratteristiche cerca di trovare un sottoinsieme delle variabili originali (chiamate caratteristiche o attributi). Ci sono tre strategie - una strategia di filtro(ad esempio, l'accumulo di caratteristiche [it]), una strategia diavvolgimento(ad esempio, la ricerca in base alla precisione) e una strategia diincorporazione(selezionare le caratteristiche da aggiungere o rimuovere mentre il modello viene costruito, in base agli errori di previsione). Vedi anche problemi diottimizzazione combinatoria.
In alcuni casi, l'analisi dei dati, come laregressione o laclassificazione, può essere fatta nello spazio ridotto più accuratamente che nello spazio originale [3].
Proiezione di caratteristiche[edit|edit code]
La proiezione delle caratteristiche converte i dati dallospazio ad alta dimensione allo spazio a bassa dimensione. La trasformazione dei dati può essere lineare, come nelmetodo delle componenti principali(PCM), ma ci sono diverse tecniche diridimensionamento non lineare . Per i dati multidimensionali,una rappresentazionetensoriale può essere utilizzata per ridurre la dimensionalità attraverso l'addestramento polilineare dei sottospazi [it] [6].
Questo è quello che abbiamo fatto ieri.
Riduzione della dimensionalità[edit|edit code]
Per insiemi di dati ad alta dimensione (cioè con più di 10 dimensioni), il ridimensionamento è di solito fatto prima di applicare l'algoritmo k-nearest neighbours(k-NN) per evitare l'effettodella maledizione della dimensionalità [16].
Vantaggi della riduzione della dimensionalità[modifica]
Ho deciso di guardare le inversioni di mercato significative. Significative inversioni a U come obiettivo. Pensavo che sarebbe stato il caos, ma no...
inversioneverde su
inversionerossa verso il basso
Ilgrigio nonè un'inversione.
È un po' più visivo in 2D.
Ho aggiunto altri dati; comunque ho 4 cluster per comprare e 4 per vendere. Ora dovrei probabilmente scegliere i cluster necessari e cercare di separare un turno dall'altro per il qualificatore in ognuno di essi
Provate a immaginare quanta spazzatura c'è nei dati, tutto questo deve essere separato dalle informazioni necessarie
Non è possibile farlo con il clustering.
Devi provare qualcosa di più serio, DBscan per esempio, o forse selezionare manualmente, ho sentito parlare di tale tecnologia da qualche parte
Ho deciso di guardare le inversioni di mercato significative. Significative inversioni a U come obiettivo. Pensavo che sarebbe stato il caos, ma no...
inversioneverde su
inversionerossa verso il basso
Ilgrigio nonè un'inversione.
È un po' più visivo in 2D.
Ho aggiunto altri dati; comunque ho 4 cluster per comprare e 4 per vendere. Ora dovrei probabilmente scegliere i cluster necessari e cercare di separare un turno dall'altro per il qualificatore in ognuno di essi
Provate a immaginare quanta spazzatura c'è nei dati, tutto questo deve essere separato dalle informazioni necessarie
Non è possibile farlo con il clustering.
Dobbiamo provare qualcosa di più serio, DBscan per esempio, o forse selezionare manualmente, ho sentito parlare di tale tecnologia da qualche parte.
C'è un modo per cercare gli attributi all'interno di un particolare cluster?
C'è un modo per guardare le caratteristiche all'interno di un particolare cluster?
I cluster non hanno caratteristiche, combinano parti di caratteristiche per somiglianza, per così dire.
I cluster non hanno caratteristiche, combinano parti di caratteristiche per somiglianza, per così dire
Sono i valori delle caratteristiche nel cluster che sono interessanti.