L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3070

 
Maxim Dmitrievsky #:

Non sto contrattando. Mi avete chiesto di insegnare - datemi i segnali, io insegnerò e testerò. Se il risultato è buono, vi darò il codice sorgente.

Se ci sono segni normali, non possono essere molti. Non ho bisogno di dataset con 6k segni, non ho tempo per questo.

Altrimenti farò altre cose.

Non ho segni in una sola riga: ci vorrebbe più tempo per riprodurli in python. È più logico testare l'efficacia dell'approccio sui miei dati e poi decidere se implementare o meno il codice di calcolo del predittore.

Se avessi dei predittori molto "buoni", rispetto ad altri, non avrei fretta di renderli pubblici :) Potete fare così: prendetemi un modello con un risultato accettabile e da lì estraete 20 predittori per importanza (secondo una delle modalità di definizione) nel modello.

Inoltre, sono anche interessato all'efficacia del metodo proposto sui predittori binari - che sono segmenti quantici di predittori, e questa tecnologia non è così veloce da riprodurre, quindi un array sarebbe preferibile - ma qui mi interessa il risultato con un grande volume di predittori.

Se qualcosa sarà interessante, allora già allora potremo dedicare tempo e sforzi per entrare nella logica del calcolo dei predittori e della loro implementazione.

 
Aleksey Vyazmikin #:

Non ho funzioni in una sola riga - si passerebbe più tempo a riprodurle in python. È più logico testare l'efficacia dell'approccio sui miei dati e poi decidere se implementare o meno il codice di calcolo del predittore.

Se avessi dei predittori molto "buoni", rispetto ad altri, non avrei fretta di renderli pubblici :) Si può fare così: prendere un modello con un risultato accettabile e da lì estrarre 20 predittori per importanza (secondo uno dei modi di definizione) nel modello.

Inoltre, sono anche interessato all'efficacia del metodo proposto sui predittori binari - che sono segmenti quantici di predittori, e questa tecnologia non è così veloce da riprodurre, quindi un array sarebbe preferibile - ma qui mi interessa il risultato con un grande volume di predittori.

Se qualcosa sarà interessante, allora già allora potremo dedicare tempo e sforzi per entrare nella logica del calcolo dei predittori e della loro implementazione.

Molto soffocante. Fornite 10-20 esempi di calcolo dei vostri tratti. Potete averne uno con periodi diversi. Sulle formule di input per il calcolo dei segni.

I grandi volumi di tratti binari non contano.


alcuni risultati di punta di quei 3k modelli:

sembra che si trovino gli stessi "modelli" anche con campionamenti diversi di etichette. Tutti i grafici sono simili. Su altri chip ci saranno altri grafici.



 
Aleksey Vyazmikin #:

Inoltre, sono interessato all'efficacia del metodo proposto sui predittori binari - che sono segmenti quantici dei predittori,

Si tratta di dividere la scheda in 16 quanti (per esempio) e poi dividere per 16 schede con 0 e 1?
Dove 1 è se i valori della scheda primaria sono nel quantum richiesto e 0 se in qualsiasi altro quantum?

 
Forester #:

Si tratta di dividere una scheda in 16 quanti (per esempio) e poi dividerla in 16 schede con 0 e 1?
Dove 1 è se i valori della caratteristica primaria sono nel quantum richiesto, e 0 se in qualsiasi altro quantum?

L'idea è di selezionare un paio di segmenti tra i 16 che hanno un potenziale. Per quanto riguarda la codifica, sì, è così.

 

Maxim Dmitrievsky #:

OOS A SINISTRA DELLA LINEA TRATTEGGIATA

L'OOS stesso (dati grezzi) come si è formato?
 
Maxim Dmitrievsky #:

Molto soffocante. Fornite 10-20 esempi di calcolo dei vostri tratti. È possibile averne uno con periodi diversi. L'input è costituito dalle formule per il calcolo dei tratti.

Non prenderò in considerazione una grande quantità di segni binari.


alcuni risultati di punta di questi 3k modelli:

sembra che si trovino gli stessi "modelli" anche con un diverso campionamento dei tag. Tutti i grafici sono simili. Su altri chip ci saranno altre immagini.



Provate con gli indicatori - c'è una libreria per python.

GitHub - bukosabino/ta: Technical Analysis Library using Pandas and Numpy
GitHub - bukosabino/ta: Technical Analysis Library using Pandas and Numpy
  • bukosabino
  • github.com
It is a Technical Analysis library useful to do feature engineering from financial time series datasets (Open, Close, High, Low, Volume). It is built on Pandas and Numpy. The library has implemented 42 indicators: Volume Money Flow Index (MFI) Accumulation/Distribution Index (ADI) On-Balance Volume (OBV) Chaikin Money Flow (CMF) Force Index...
 
fxsaber #:
Come è stato formato l'OOS (dati di input)?

in modo classico, un insieme di attributi a prezzi di chiusura

 
Aleksey Vyazmikin #:

Provate con gli indicatori: esiste una libreria ta per python.

quali sono i vostri? solo perdere tempo)

 
Aleksey Vyazmikin #:

L'idea è di selezionare un paio di segmenti tra i 16 che hanno un potenziale. Per quanto riguarda la codifica, sì, è vero.

Quindi si può dividere 1 caratteristica in 16 quanti, numerarli e contrassegnarli come categorici. L'albero controllerà in modo simile per ogni categoria/quantità (==0 o ==1 o ==2 ....). È anche possibile inserire i quanti non interessanti in un'unica categoria.

Il risultato sarà 1 su 1. O quasi, a scapito del quantum non interessante, potrebbe risultare che l'albero lo sceglierà a metà come il migliore.

Il lato positivo è che con un solo chip i calcoli sono più veloci. Le dimensioni dei file e il consumo di memoria saranno notevolmente ridotti.

 

15 anni di OOS

L'approccio si è rivelato curioso, ma comunque sensibile ai tratti. Non funziona così con le persone che ritornano.