L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 468
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
Mi è stato detto molte volte, ed è sempre lo stesso, è sempre veloce.
Dico sempre ai miei clienti che non ci sono consiglieri veloci, è un lavoro duro:
1 dovete formalizzare il vostro TS e creare una specifica dei requisiti
2 tradurlo in codice comprensibile alla macchina
3 controllare gli errori nell'esecuzione della logica
4 controllare gli errori di esecuzione nel trading
5 apportare ulteriori modifiche in base agli errori identificati nella logica e nell'esecuzione
6 testarlo nel tester e sui dati reali
7 per completare l'Expert Advisor con le funzioni necessarie per lavorare sul conto reale
ecc.
La funzione del programmatore è solo (2,5) quella di tradurre i tuoi termini di riferimento nel linguaggio della macchina e, se trovi delle incongruenze nel suo lavoro con i tuoi termini di riferimento, correggi gli errori, e a questo punto, il lavoro del programmatore è finito; il tuo Expert Advisor sta lavorando secondo i tuoi termini di riferimento.
Tutto il resto è il tuo lavoro per creare, controllare e migliorare (aggiornare) il tuo EA.
Cordiali saluti.
P.S. la creazione di un EA redditizio può richiedere fino a mezzo anno o anche di più, se ne hai davvero bisogno.
Quello di cui hai veramente bisogno è un apri e chiudi affidabile, ci metteresti veramente mezzo anno per farlo????? Allora non siete all'altezza di noi...
Nella vita reale sarà un n rosso...)))
Scusa, Teacher))))
Ora questo è discutibile... Trickster. Perché nessun dato è effettivamente alimentato all'ingresso lì ed è essenzialmente il lavoro dei coefficienti polinomiali stessi..... E penso che la presenza di dati di ingresso non potrà che migliorare l'equità. Beh, è così.... IMHO!!!!
Quello di cui hai davvero bisogno è un apri e chiudi affidabile, ci metteresti davvero mezzo anno per farlo????? Allora non sei adatto a noi...
MySQL: non è mio compito costruire un EA redditizio, è tuo compito fare il punto 2 e 5.
Ha scritto queste sciocchezze per 14 anni)))
Con rispetto.
Idioti, tutto fatto da tempo, solo bisogno di un'apertura affidabile con gestione degli errori del server..... Sono ilare.... :-)
Idioti, tutto fatto molto tempo fa, solo bisogno di un apripista affidabile con gestione degli errori del server..... Sono ilare.... :-)
Cordiali saluti.
P.S. non dimenticare di specificare un tempo di esecuzione di 2 ore, secondo il vostro lavoro ci per 5 minuti, quindi se il programmatore sarà un pollice lasciato a scrivere e che avrà tempo.
Se si confrontano le previsioni nell'articolo e queste, si può vedere che le tendenze previste coincidono perfettamente in entrambi i modelli, ma nell'articolo il modello è molto meglio nel cogliere i picchi bruschi. E l'arima - con picchi di prezzo come la fortuna vuole, e quelle "sfortune" causeranno i maggiori drawdown. Inoltre nelle proprietà del modello si può vedere che la stagionalità non è usata. Finora l'articolo sta vincendo :(
Ho ancora bisogno di molta intuizione di Arima per impostare correttamente i limiti di ricerca dei coefficienti ar,i,ma e fare in modo che il modello cerchi i parametri stagionali.
Discutere di arima senza analizzare i residui su ARCH è un esercizio completamente vuoto. Ci sono alcune serie che hanno un residuo stazionario dopo una simulazione arima. Ma discutere dell'errore di previsione sul presupposto che sia stazionario non è grave. Quel residuo è estremamente sfaccettato.
Ho anche fatto una piccola modifica all'esempio di Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
La stagionalità non ha funzionato perché il periodo dei dati è stato definito come 1, il che ha fatto sì che auto.arima disabilitasse automaticamente la stagionalità. Ho impostato il periodo nel codice a 48 (giorno sul timeframe corrente H12), come nell'articolo.
Inoltre è possibile utilizzare la funzione findfrequency() del pacchetto forecast per determinare automaticamente il periodo, per questi dati la funzione restituisce 24.
Ha funzionato meglio in questo modo, il modello colpisce i picchi dei valori e predice molto meglio gli aumenti dei valori.
arima treno r^2: 0.516988
arima test r^2: 0.5346457
arima test diff r^2: 0.8407468
arima test diff precisione: 0.8288288
Ma questo è lontano dall'ideale, le previsioni dell'articolo sono molto più accurate. Sembra che la ragione sia che i dati hanno diversi periodi (24, 48, 336 - mezza giornata, un giorno, una settimana), ma anche con la stagionalità arima non può entrare in tre periodi contemporaneamente.
Ho cercato se è possibile insegnare R Arima con diverse stagionalità, sembra che non lo sia, quindi non c'è modo di fare previsioni migliori. Ora capisco perché l'articolo ha tali difficoltà, con ogni modello l'autore sta cercando di catturare diversi periodi di fluttuazione dei valori.
OOO Ed ecco il nostro amato Trickster!!!! Beh, hai le mani piene di poo???? Ecco una scusa per lanciarli in giro....
Per quanto riguarda il fatto che l'ottimizzatore di Reshetova venga riqualificato o meno. Ecco uno screenshot che ho postato ieri in uno dei gruppi forex..... Il blu indica il periodo di ottimizzazione, il verde i contratti a termine. Ma non c'è la possibilità di inviare i dati e risulta che dall'inizio dell'anno ha funzionato bene.... E tu dici riqualificazione, devi solo essere in grado di addestrare....
Ora cosa direte del sovrallenamento????
Nel mercato qualsiasi classificatore viene riqualificato perché il mercato non è stazionario. Se vogliamo evitare il sovrallenamento, dobbiamo insegnare la NS per tutta la storia. Altrimenti il ciclo di mercato cambierà sempre e il modello andrà in errore. Ecco perché l'unico approccio corretto è l'overtraining o il retraining nel processo di trading :) Non crediamo nelle bobine, che danno costantemente il 1000% mensile su una storia di 15 anni senza alcun intervento.
In generale non vedo ancora la linea - cosa significa NS sovrallenato nel forex. È quando non guadagna su un campione di prova? nah nah nah... no no no... si tratta di non stazionarietà. Per quanto riguarda la strategia, non c'è alcun effetto sulla sua redditività.
Ho anche fatto una piccola modifica all'esempio di Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
La stagionalità non ha funzionato perché il periodo dei dati è stato definito come 1, il che ha fatto sì che auto.arima disabilitasse automaticamente la stagionalità. Ho impostato il periodo nel codice a 48 (giorno sul timeframe corrente H12), come nell'articolo.
Inoltre, potete usare la funzione findfrequency() del pacchetto forecast per determinare automaticamente il periodo, per questi dati la funzione restituisce 24.
Ha funzionato meglio in questo modo, il modello entra in salti bruschi di valori e predice molto meglio gli aumenti di valori.
arima treno r^2: 0.516988
arima test r^2: 0.5346457
arima test diff r^2: 0.8407468
arima test diff precisione: 0.8288288
Ma questo è lontano dall'ideale, le previsioni dell'articolo sono molto più accurate. Sembra che la ragione sia che i dati hanno diversi periodi (24, 48, 336 - mezza giornata, un giorno, una settimana), ma anche con la stagionalità arima non può entrare in tre periodi contemporaneamente.
Ho cercato se è possibile insegnare R Arima con diverse stagionalità, sembra che non lo sia, quindi non c'è modo di fare previsioni migliori. Ora capisco perché l'articolo ha tali difficoltà, con ogni modello l'autore sta cercando di catturare diversi periodi di oscillazione dei valori.
Potresti per favore postare il rapporto sulla regolazione con i parametri?