L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 472
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
in altre parole, non tutto in mt5 è stato ancora testato :)
Non lo capisco. ( Perché provare qualcosa che è già in MT?
Se c'è un concetto di TC, prendiamo un toolkit. Se c'è in MT e interagisce bene con il resto del sistema - lo usiamo. Interagisce male - usiamo il software esterno.
Non è affatto razzo inviare informazioni avanti e indietro solo per usare le funzionalità esistenti di MT.
Non lo capisco. ( Perché provare qualcosa che è già in MT?
Se c'è un concetto di TC, prendiamo un toolkit. Se c'è in MT e interagisce bene con il resto del sistema - lo usiamo. Interagisce male - usiamo il software esterno.
Non serve a niente inviare informazioni avanti e indietro solo per usare le funzionalità esistenti di MT.
Quindi non c'è mai un concetto pronto dall'inizio, tutto è per istinto, più strumenti ci sono e meglio è.
Inizio con un concetto, lo elaboro su qualche software (Excel, SciLab, MatLab, R - a volte tutti insieme). Lì lo provo con il mio tester (non ho notato alcuna differenza significativa con il software reale). Poi ne trasferisco una parte nel terminale, e il resto in C++/C# e collego librerie esterne.
I miei primi sistemi (dal 2008) erano basati su VBA-Excel, e cooperavano perfettamente con il terminale. Nessun problema di prestazioni, anche con la lentezza di VBA. Comunque, 50 ms di ritardo, anche per 1 TF, non è tempo.
A proposito, ricordate che nel vostro articolo sul sequenziamento avete suggerito di contare diversi segnali in fila, flip there... sovrapposizione di segnali
Ho trovato una soluzione interessante per implementare qualcosa di simile attraverso la logica fuzzy e costruirla nel processo di apprendimento ... forse più tardi posterò qualcosa :)
Sì, sì, è solo da quell'articolo ..... Forse non è stato spiegato chiaramente lì, ma nessuno ha cancellato il fatto della separazione.
Dobbiamo vedere chiaramente la divisione in buoni e cattivi, se il modello è costantemente in perdita o in guadagno, è già un indicatore, la cosa principale è la stabilità della divisione, non la sua correttezza.....
SanSanych.
Guarda l'interessante discussione sull '"overfittinga".
Buona fortuna
SanSanych.
Guarda l'interessante discussione sull '"overfittinga".
Buona fortuna
Tutto quello che scrivo qui e che uso nella mia pratica è una specie di trucco per ridurre in qualche modo l'impatto del problema di base della cognizione, che qui è chiamato overfitting, overtraining.
Il problema dell'overfitting dei modelli NON è risolto in linea di principio, non è risolto teoricamente e questo è noto da molto tempo. Un modello è sempre una certa approssimazione, una certa approssimazione della realtà, del mondo esterno. Pertanto, un modello riflette SEMPRE un oggetto con qualche errore. Questa è la forza e la debolezza di ogni modello. Quindi, ne consegue che è impossibile creare un modello senza studiare a fondo l'oggetto da modellare.
Se prendiamo una citazione.
Cosa stiamo modellando?
Se la foresta casuale, stiamo automatizzando la ricerca di modelli.
Se GARCH, allora modelliamo le caratteristiche statistiche di una quotazione.
Ci sarà SEMPRE un errore nel farlo. E ho suggerito qui una sorta di euristica che questo errore NON dovrebbe cambiare su pezzi successivi della serie temporale. Se il modello dà letteralmente un errore diverso nel chunk successivo, allora è sovrallenato (over-fitted) e non può essere utilizzato in linea di principio.
Per le foreste casuali ho scoperto che se si rimuovono i predittori rumorosi, come ho capito, il modello addestrato dà lo stesso errore molto più a lungo che con i predittori rumorosi. Ma non sono a conoscenza di soluzioni che creino un modello per tutte le volte, e non ne ho bisogno. Mi sta bene riqualificare il modello sull'output degli ultimi dati. Ma l'addestramento deve iniziare con il controllo dei predittori di rumore - il loro insieme cambia nel tempo. Cioè, non solo il modello stesso cambia, ma anche l'insieme dei dati di input. Stavo facendo dei giri di finestre lungo le serie temporali, quindi dei miei 25 predittori c'è un campionamento costante di 10-15 predittori e la composizione di questo gruppo cambia, cioè qualcosa cambia in rumore e poi torna indietro. L'errore è molto stabile e va dal 23% al 27% = sempre meno del 30%. Se l'errore è inferiore al 20% sui miei predittori, non uso questo modello e aspetto.
PS.
Da quello che ho detto potete capire la ragione per cui non sono interessato ad altri modelli.
Tutto quello che scrivo qui e che uso nella mia pratica è una specie di tecnica per ridurre in qualche modo l'impatto del problema di base della cognizione, che qui si chiama over-fitting, over-learning.
La posizione è chiara.
Buona fortuna.
http://journal.frontiersin.org/article/10.3389/fnsys.2016.00095/full
http://journal.frontiersin.org/article/10.3389/fnsys.2016.00095/full