L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 337
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
E il Chaos Hunter? Dammi un link specifico.
anche interessante.
Nessuno passerà mesi a sviluppare una strategia e poi andrà a vantarsene su un conto demo. Queste cose sono scambiate sul reale, e la storia della transazione è nascosta a tutti. Ho anche letto sul forum come la gente fa trading di proposito su due broker, perdendo a turno su uno e compensando le perdite sull'altro, in modo che anche il broker non sappia quali trade sono stati fatti usando la strategia e quali erano falsi.
Ci sono dei risultati. A volte le buone combinazioni di predittori e il modello portano profitto per un paio di mesi, più spesso - meno. Ma vengono sostituiti da altri.
La mia opinione personale - neuronics, foresta, regressioni - tutto questo è troppo debole per il forex. La ragione è che il comportamento dei prezzi cambia continuamente, le regole che sono redditizie oggi potrebbero essere state non redditizie una settimana fa. E l'approccio standard - prendere indicatori e prezzo per un paio di mesi e allenare la neuronica - significa che deve trovare le stesse regole di comportamento del prezzo per tutti e due i mesi. E non ci sono regole del genere e nessuno sa cosa troverà, ma si sbaglierà il 99% delle volte. A volte il modello può essere fortunato e cadere in questo 1% ma è troppo lontano dal graal e tali Expert Advisors di solito scambiano bene fino al primo stop loss e poi possono essere buttati fuori.
Attualmente sto studiando i modelli di riconoscimento dei modelli che guardano il comportamento dei prezzi sulla storia dopo modelli simili, e commercio con tali statistiche.
Non ho visto un pacchetto in R che faccia tutto ciò di cui ho bisogno, ho un modello assemblato frammentariamente da altri, più le mie moto. Il più vicino alla descrizione del modello che ho visto è in un altro thread, consiglierei di iniziare a costruire il tuo graal con questo (citazione sotto). Nuovi problemi emergeranno nel processo, dovrete pensare e sperimentare su di essi.
2 mesi non sono sufficienti perché non c'è modo di sapere con certezza quando Kolyan verrà in visita.
Buona fortuna a tutti!
Se non mi sbaglio, RNN sarebbe estremamente difficile da implementare in MT5, e per ottenere buoni risultati è necessario acquistare o sviluppare il proprio, con enormi input di lavoro.
E se in MLP, tranne le informazioni sul prezzo, gli indicatori sulla barra corrente, trasmettiamo tutte le stesse informazioni per 10-30 barre precedenti, sarà una sorta di memoria. Una parte dei neuroni elaborerà lo stato attuale e un'altra parte elaborerà la situazione nel passato più prossimo.
Non funzionerà comunque come dovrebbe, ci sono principi di funzionamento abbastanza diversi... MLP classificherebbe semplicemente i predittori in gruppi di acquisto/vendita, se può, e se non può, produrrà di nuovo un output molliccio. Cioè potete usare Random Forest invece di MLP, sarà lo stesso e non dovrete preoccuparvi.
Su OpenCL, non se non sei pigro ))
OpenCL sembra essere in grado di leggere solo sulla propria macchina, non sulla rete. Temo che il 1° PC non sarà sufficiente.
Sto guardando verso i frame, e sovrascrivendo ALGLIB con il salvataggio dei dati di ogni passaggio in un file, poi per esempio ogni millesimo passaggio (o alla fine del ciclo di allenamento-epoch) questo file viene letto e viene dato il permesso agli agenti (via file) di calcolare l'epoca successiva. Anche se vedo già un problema - gli agenti remoti saranno in grado di leggere file-permission....? bisogno di capirlo. Penso di no(((.
Solo la variante più semplice come https://www.mql5.com/ru/articles/497 sarà in grado di separare i calcoli, ma è troppo semplice, un solo strato, e non è chiaro come addestrarlo con i suoi comandi.
Sto guardando verso i frame, e riscrivendo ALGLIB con il salvataggio dei dati di ogni passaggio in un file, poi per esempio ogni millesimo passaggio (o alla fine del ciclo di allenamento-epoch) questo file viene letto e viene dato il permesso agli agenti (tramite il file) di calcolare il prossimo epoch. Anche se vedo già un problema - se gli agenti remoti sono in grado di leggere il file-permission.... dovremo trovare una soluzione.
I calcoli possono essere distribuiti solo per la versione più semplice, come https://www.mql5.com/ru/articles/497, ma è troppo semplice, monostrato, e non è chiaro come insegnarlo con i propri comandi.
Si creano alcuni neuroni di quel tipo, e si aggiungono pesi extra alle incursioni per le connessioni tra i neuroni (proprio come per i pesi tra strato d'ingresso e neurone), solo che ci saranno molte incursioni. D'altra parte, non avrete bisogno di un oppenzl, calcolerà rapidamente nel cloud
cioè dal primo neurone avrà 5 connessioni a 5 neuroni nel secondo strato, e da loro altre 5 connessioni all'uscita, in qualche modo
e viene addestrato nell'ottimizzatore con la selezione dei pesi e poi il migliore eseguito dall'ottimizzatore per scegliere
Esattamente come immaginato )
Solo che temo che non saranno 5 neuroni, ma almeno 500 (se si sostituiscono i dati di diverse barre, come analogia della memoria).
E che dire dell'apprendimento su comandi manuali o a zig zag? Non c'è modo di avvitarlo?
Esattamente come immaginato )
Solo che temo che non saranno 5 neuroni, ma almeno 500 (se si sostituiscono i dati di diverse barre, come analogia della memoria).
E che dire dell'apprendimento su comandi manuali o a zig zag? Non c'è modo di avvitarlo?
Perché, solo sull'uscita sarà dato 0 o 1, a seconda che lo zigzag fosse ascendente o discendente, cioè, l'ingresso è dato la storia spostata indietro di n barre, e l'uscita - se era ascendente o discendente
Perché, semplicemente lo si alimenta con 0 o 1, a seconda che lo zigzag sia salito o sceso, cioè l'input è uno spostamento all'indietro di n barre di storia, e l'output è una previsione - se è salito o sceso
Se usiamo gli output di sostituzione invece degli output calcolati in questo codice https://www.mql5.com/ru/articles/497, avremo lo stesso risultato per qualsiasi combinazione di input - useremo sempre la risposta prestabilita, dopo tutto. Cioè non ci sarà nessun apprendimento.
quindi ci saranno diverse uscite
Oh, capisco, c'è un non-neurone qui)
quindi ci saranno diverse uscite
non capisco la tua idea (