L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2630
![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
Un po' creativo, non si sa in anticipo.
Tutto può essere approssimato, ma TC è una logica chiara nel codice, senza approssimazioni.
Non conosciamo la logica esatta, sai... non è la decompilazione. Questo lascia confuso, "a immagine e somiglianza". formatori abibas
Quindi, se si prende la strategia di intersezione di due auto e non si dà un segno diretto dell'intersezione al modellatore.
È abbastanza buono, sono persino sorpreso, ma è un algoritmo primitivo...
blu per il segnale originale, rosso per il prefisso.
E se non lo si normalizza...
Quindi, se si prende la strategia di intersezione di due auto e non si dà un segno diretto dell'intersezione al modellatore.
È abbastanza buono, sono persino sorpreso, ma è un algoritmo primitivo...
blu per il segnale originale, rosso per il prefisso.
E se non lo normalizzi...
Quindi, se si prende la strategia di intersezione di due auto e non si dà un segno diretto dell'intersezione al modellatore.
È abbastanza buono, sono persino sorpreso, ma è un algoritmo primitivo...
blu per il segnale originale, rosso per il prefisso.
E se non lo si normalizza...
Non è possibile sapere in anticipo quale MA Expert Advisor utilizza e quali periodi ha. O si usano altri indicatori.
Prova ad allenare il modello non sulla MA (X) ma sulle quotazioni grezze (x) per esempio su 100 barre (non conosci i periodi della MA dalla scatola nera, puoi solo indovinare quante barre possono essere state utilizzate).
Beh, la Y è quella data dal vostro esaminatore.
Non si può sapere in anticipo cosa, esperto MA sta usando e quali periodi. O qualsiasi altro indicatore utilizzato.
Non dirmi cosa posso o non posso fare, dimmi "non so come puoi farlo". Questo è più onesto.
Prova ad addestrare il modello sulle quotazioni grezze (x) invece di MAhs (X)
Anche il crudo non è male.
non male nemmeno su raw
Non male nemmeno su quelli crudi.
Ha davvero bisogno di MO?
I miei risultati. Chi riesce a decifrarlo, ben fatto, ho dimenticato cosa è cosa.
Un altro esempio di test, incrocio di ma e prezzo. L'input è incrementi di diverse ultime barre, l'output è la direzione del trade (1-bay, 0-sell). Parametri della rete sottostante: 1 strato denso con tanh. 1 epoca, batch=32. win - numero di ingressi, per - periodo MA, totale - dimensione del campione di allenamento. La rete è addestrata in 1 epoca in modo che non ci siano campioni ripetuti durante l'addestramento. La convalida si basa sul campione di allenamento invertito verticalmente (*-1). Il test viene eseguito su un campione indipendente separato. Tutti sono uguali al totale. A per<=win la rete mostra un'alta accuratezza, che era necessaria per dimostrare che la rete è in grado di cercare modelli nascosti.
Per piccole reti (<1000 neuroni) il calcolo su cpu è più veloce che su gpu. Con batch=8192 il calcolo richiede la stessa quantità di tempo. Questo test case con 1 e 100 neuroni nascosti è calcolato nello stesso tempo. Per i conteggi della cpu a doppia e singola precisione nello stesso tempo, i risultati sono comparabili. I diversi tipi di attivazione contano per circa lo stesso tempo e hanno dato risultati comparabili. La dimensione del win non influenza molto il tempo. total=10^6 a batch=1 conta per 18 minuti. La relazione tra lotto e tempo è lineare.
Precisione della dimensione del campione. batch=1 , per=100, win=100. Prima colonna - dimensione del campione (totale), 2 - tempo min.sec, 3 - precisione sul test, 4 - precisione sul treno, 5 - precisione sulla validazione.
1м 18.49 99. 98,7 99.
100k 1,54 98,5 97,3 98,6
10k 0,11 97,8 88,4 98,1
1k 0,01 71,2 62,1 66,5
Aggiunta di rumore all'input. total=10^6, batch=32 , per=10, win=10. Prima colonna - frazione di rumore dall'input, 2 - precisione sul test, 3 - precisione sulla traccia, 4 - precisione sulla validazione.
0,001 99,8 98,1 99,8
0,01 99,6 98,2 99,6
0,1 96,8 96,1 96,8
1 74,9 74,2 75,1
Numero di input ed errore. totale=10^6, batch=32 , per=100. accuratezza su test, accuratezza su train, accuratezza su validazione.
vittoria=150: 99.5 98.7 99.5
vittoria=100: 99.6 98.8 99.6
vittoria=90: 98.9 98.2 98.9
vittoria=80: 97.2 96.6 97.2
vittoria=70: 94.8 94.3 94.8
vittoria=60: 92.0 91.6 91.9
vittoria=50: 88.6 88.2 88.6
vittoria=20: 74.7 74.4 74.7
Grafici dei pesi. 1 neurone di ingresso. ma(100) 100 ingressi a sinistra, ma(50) 100 ingressi a destra