L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2128
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
A quanto pare non ho capito la domanda.
Non c'è un interprete di modelli su MT5 con predittori di categorizzazione e CatBoost con la linea di comando può fare tutto come la versione python, tranne cose puramente python come la visualizzazione.
L'avete fatto insieme, questo interprete, o su suo ordine? Beh, dovrò vedere cosa manca...
Non è un progetto commerciale. Il mio ruolo si è ridotto al test attivo della soluzione.
Se riesci a capirlo, sarà un bene per la comunità.
E in generale, finora non ho visto, che cosa sarebbe davvero segni categorici per dare un aumento - ma, provato molto tempo fa, ho predittori che descrivono situazioni locali, come se categorico, ma non è venuto.
no multiclasse, per quanto ho capito
Nessuna regressione ancora.
Beh, se lo faccio, sarà un parser di modelli addestrati da python a mql. Non brucia ancora, ma potresti averne bisogno.
Posso salvare i modelli anche per python.
Che senso ha la regressione?
Può essere utile per i modelli che funzionano per impostare le fermate. A volte può essere necessario prevedere la MA attraverso una dozzina di barre :)
Quali delle vostre caratteristiche/trasformazioni danno buoni risultati?
Il risultato del valore del predittore dipende dall'obiettivo :) Sto solo facendo un esperimento sulla selezione dei migliori livelli di quantizzazione. I predittori che non hanno superato la soglia minima vengono filtrati. È ancora troppo presto per dirlo, ma i primi risultati sono positivi. Il processo è lungo in un singolo flusso - più di un giorno. Devo usare più criteri per stimare i livelli quantici - lo farò - l'idea è di scavare dove c'è un segnale. Più avanti prenderò più trame, filtrerò il campione e imparerò solo dove c'è risposta - probabilmente già l'albero genetico funzionerà - per estrarre le foglie.
ho fatto una cosa interessante, posso trasformare qualsiasi set di dati, marcato o non marcato, migliorandolo
È interessante - puoi provarlo su quello che ho linkato. È vero che c'è un errore in alcuni predittori (quando sono stati salvati erano scritti come int, non double - ho rimosso la mia quantizzazione e l'ho dimenticato), ma per il confronto relativo non importa.
A proposito, se avete bisogno di calcolare ciò che è relativamente pesante - posso calcolare - ora c'è un'opportunità.
Questo è interessante - puoi provarlo su quello di cui ho postato il link. C'è un errore in alcuni predittori (quando sono stati salvati sono stati scritti come int, non double - ho rimosso la mia quantizzazione e l'ho dimenticato), ma per il confronto relativo non importa.
A proposito, se avete bisogno di calcolare ciò che è relativamente pesante - posso calcolare - ora c'è un'opportunità.
Stavo cercando uno sviluppo molto conciso del mio approccio e mi sono imbattuto in qualcosa di interessante... O meglio, non è che non lo sapessi prima, solo che non pensavo di usarlo... e poi in qualche modo i puzzle si sono riuniti
Non è una panacea, ma dà risultati interessanti. Lo vedrò più tardi.
Stavo cercando uno sviluppo molto conciso del mio approccio e mi sono imbattuto in qualcosa di interessante... O meglio, non è che non lo sapessi prima, solo che non pensavo di usarlo... e poi in qualche modo i puzzle si sono riuniti
Non è una panacea, ma dà risultati interessanti. Lo vedremo più tardi.
Aspetto con interesse!
Lo spread non può essere battuto dopo una semplice decorrelazione, ma il modello è più stabile sui nuovi dati senza spread. Qualsiasi modello che è stato sovraadattato per serie sta facendo senza uno spread su n.d., ma è molto meglio su un vassoio rispetto al primo (funziona anche con uno spread). Questo mostra chiaramente una riqualificazione alla serializzazione e nient'altro. So che è difficile da capire, ma è così 🤣 Se guardi di nuovo le immagini, vedrai picchi di distribuzione più alti e forse code, sulla prima. Questa è serialità, volatilità, qualsiasi cosa. Cambia quasi immediatamente sui nuovi dati, da cui l'overfit. La seconda immagine in basso non ce l'ha, è tutto ciò che resta, e in quella spazzatura bisogna cercare un'Alfa che batta lo spread. Guardate i vostri dati e rimuovete almeno la serialità, o trasformateli in qualche modo per rimuovere le code. E poi guardate le distribuzioni di classe di ciò che rimane, ci sono gruppi di cluster normali o una completa casualità come la mia. In questo modo puoi anche vedere visivamente se il set di dati funziona o fa schifo. E poi si può mescolare la convalida con il trayn, non influenzerà nulla. E tu dici "solo una foto".
Devi farlo, Fedya, devi farlo!
Lavorare giorno e notte senza dormire o riposare ))))
Siete dei robot?
Lavorare giorno e notte senza dormire o riposare ))))
Dobbiamo farlo, Fedya, dobbiamo farlo!
:))))