L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 27
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
Ciao!
Ho un'idea, voglio verificarla, ma non conosco lo strumento per implementarla... Ho bisogno di un algoritmo che possa prevedere per alcuni punti in avanti, diciamo per 3 o 5 (preferibilmente una rete neurale)
Ciao!
Ho un'idea, voglio verificarla, ma non conosco lo strumento per implementarla... Ho bisogno di un algoritmo che sia in grado di prevedere per alcuni punti in avanti, diciamo per 3 o 5 (preferibilmente una rete neurale)
Ho lavorato solo con le classificazioni prima, quindi non capisco nemmeno come dovrebbe essere, consigliare qualcuno come farlo o raccomandare un pacchetto in R
p.s. Grande articolo Alexey
Si tratta di pacchetti che estrapolano tendenze esistenti, come le previsioni. Le diverse scanalature sono molto interessanti.
Sembra abbastanza solido.
Quindi, nessun risultato utile?
Quando ho eseguito l'algoritmo per la prima volta, su una piccola quantità di dati iniziali, non c'è stato alcun risultato positivo, ho ottenuto circa il 50% di errore sia con y-aware pca che con simple pca. Ora ho un set di dati più completo da mt5 - quasi tutti gli indicatori standard con tutti i loro buffer, alcuni indicatori sono ripetuti più volte con parametri diversi. Ho creato Expert Advisors per alcuni indicatori e li ho usati per ottimizzare i parametri degli indicatori per un trading più redditizio. Su tali dati il semplice pca fa ancora un errore del 50%, ma con l'errore y-aware nel fronttest scende notevolmente al 40%. È interessante che l'algoritmo y-aware prende semplicemente i dati grezzi e crea un classificatore che funziona correttamente in 6 casi su 10. Conclusione - avete bisogno di più dati grezzi.
Ma è qui che si fermano tutti i punti positivi. Servono 73 componenti standard per una precisione del 95%. I caricamenti dei predittori nelle componenti fluttuano da più alto a più basso senza un chiaro leader. Cioè, non c'è nessuna indicazione per cui certi predittori possano essere selezionati. Il modello funziona in qualche modo, ma non è chiaro cosa fare con esso per migliorare i risultati o come ottenere l'utilità del predittore da esso.
L'importanza del componente:
caricamenti dei predittori per le prime 5 componenti:
ARIMA
Ma arima prende decisioni per serie temporali e ho bisogno che il modello prenda decisioni dal mio set di dati, cioè matrice con predicati e produca una previsione per diverse barre avanti
Nessuno vi impedirà di addestrare una rete neurale con diversi neuroni di uscita - ognuno per un diverso orizzonte di pianificazione. Allo stesso tempo sarà interessante osservare i risultati.
Quando ho eseguito l'algoritmo per la prima volta, su una piccola quantità di dati iniziali, non c'è stato alcun risultato positivo, ho ottenuto circa il 50% di errore sia con y-aware pca che con simple pca. Ora ho un set di dati più completo da mt5 - quasi tutti gli indicatori standard con tutti i loro buffer, alcuni indicatori sono ripetuti più volte con parametri diversi. Ho creato Expert Advisors per alcuni indicatori e li ho usati per ottimizzare i parametri degli indicatori per un trading più redditizio. Su tali dati il semplice pca fa ancora un errore del 50%, ma con l'errore di y-aware nel fronttest scende notevolmente al 40%. È interessante che l'algoritmo y-aware prende semplicemente i dati grezzi e crea un classificatore che funziona correttamente in 6 casi su 10. Conclusione - avete bisogno di più dati grezzi.
Ma è qui che si fermano tutti i punti positivi. Servono 73 componenti standard per una precisione del 95%. I caricamenti dei predittori nelle componenti fluttuano da più alto a più basso senza un chiaro leader. Cioè, non c'è nessuna indicazione per cui certi predittori possano essere selezionati. Il modello funziona in qualche modo, ma non è chiaro cosa fare con esso per migliorare i risultati o come ottenere l'utilità del predittore da esso.
importanza dei componenti:
Carichi dei predittori sulle prime 5 componenti:
l'ha già fatto, la rete neurale non impara su un orizzonte più ampio con l'obiettivo che ho impostato
È un bene che non abbia imparato, perché si sta imparando sul rumore. Ma se fosse così, sarebbe un graal e sarebbe su real....
Occupato qui a cercare di eliminare il rumore. Ecco perché prendiamo così tanti predittori nella speranza che qualcosa rimanga.