L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 545
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
specialmente se usiamo il clustering multidimensionale, possiamo provare ad alimentare vettori con caratteristiche e vettori con un ritardo di, diciamo, incrementi... per dividerli in gruppi - quali caratteristiche corrispondono a quali incrementi nel futuro
e poi applicare a questo set per l'addestramento di NS, per esempio... cioè come il data mining
sì, esattamente prima della formazione ... o come una cosa separata per TS
A proposito, in molti pacchetti python (dovrebbero essercene anche in R) c'è una cosa oltre a batch_size - come time_steps, è solo usata nell'analisi delle serie temporali. Cioè, una matrice di lunghezza time_steps è immediatamente alimentata all'ingresso, che viene presa in considerazione nei tensori all'interno del modello.
Potrei essere un po' sorpreso di vedere che non sono abituato a questo tipo di trading:
I mercati sono interconnessi, quindi il capitale scorre all'interno di un intero sistema. Quindi, se avete un buon modello profondo e risorse computazionali, naturalmente, questi movimenti di masse monetarie possono essere catturati.
specialmente se usiamo il clustering multidimensionale, possiamo provare ad alimentare vettori con caratteristiche e vettori con un ritardo di, diciamo, incrementi... per dividerli in gruppi - quali caratteristiche corrispondono a quali incrementi nel futuro
e poi applicare a questo set per l'addestramento NS, per esempio... cioè come il datamining
sì, esattamente prima della formazione ... o come una cosa separata per TS
E che dire del data mining, mi è piaciuta l'idea di @Mihail Marchukajtes su opzioni e volatilità sorriso. Solo che c'era un problema con il parser.
Finora ho una specie di miscela sconosciuta di modello autoregressivo sovraottimizzato + elementi adattivi... roba sconosciuta ma divertente, ci metto tutto quello che imparo :)
In un certo senso funziona, ma non sempre.
Proverò qualche analisi intermarket quando sarò a corto di idee, o di informazioni esterne come le opzioni. Se ho imparato qualcosa di nuovo, funziona, ma non sempre quando sono a corto di idee.
Trovi il problema se vuoi prendere in considerazione lo spread. E hai bisogno dello spread se stai facendo qualcosa di pipsing.
Così, quando ci si allena, i dati vengono scaricati dalla storia attraverso CopySpread, e c'è lo spread minimo sulla barra. E poiché il MOE conduce l'analisi pobar, allora per contabilizzare correttamente lo spread, è necessario nel momento in cui i calcoli sono fatti, cioè Open, Close, High o low (a seconda di ciò che si vuole aggiungere questo spread). Per esempio, io lavoro con prezzi aperti. E naturalmente lo spread minimo in una barra non è quasi mai uguale allo spread al momento dell'apertura della barra. Di conseguenza, il TP o SL può essere 10-20 punti diverso da quello che sarà impostato nella realtà. Cioè la redditività del sistema sarà molto diversa da quella che il modello MO assume.
Di conseguenza, l'allenamento con spread minimi sulla barra non può essere riprodotto nella realtà.
Cioè abbiamo un problema in 2 posti:
1 - nella storia, sulla quale impariamo (gli spread sono diversi).
2 - al momento di fare un accordo (se la decisione viene presa al momento dell'apertura di un bar). Diversi spread daranno diversi TP e SL.Ho notato questa peculiarità confrontando i risultati del modello addestrato sui prezzi aperti e sui tick reali. La differenza è molto grande. Cioè nel trading reale la differenza sarà anche grande.
O non usare gli spreads (rifiutando così la possibilità di usare lo scalping dalle capacità di un sistema insegnabile), o raccogliere matrici per l'allenamento a tick reali e poi testarle a tick reali - ci vuole molto più tempo del test del prezzo di apertura. In alternativa, per accelerare il processo, possiamo precedentemente creare un simbolo personalizzato che passa attraverso tick reali e raccoglie gli spread necessari.
Guardo i modelli MO finora: il modello dà la decisione di entrare o no, e il resto è una questione di gestione del denaro e strategia di trading.
In breve: i punti di entrata, i rapporti di profitto, il conteggio dei pip non sono tutto per un modello semplice.Soprattutto le reti neurali imparano bene dalla storia delle candele.
Se trasferiamo la selezione dei punti di entrata/uscita o qualsiasi altro dettaglio a MetaTrader 2, lo farei con il secondo modello. O complicare il modello, nel qual caso solo l'apprendimento profondo con tensori paralleli funzionerà efficacemente.
Guardo i modelli MO finora: il modello dà la decisione di entrare o meno, tutto il resto è una questione di money management e strategia di trading.
In breve: punti di ingresso, rapporti di profitto, conteggio dei pip - tutto non è per un modello semplice.Inoltre, le reti neurali imparano bene dalla storia delle candele.
Se trasferiamo la selezione dei punti di entrata/uscita o qualsiasi altro dettaglio a MetaTrader 2, lo farei con il secondo modello. In questo caso solo l'apprendimento profondo con tensori paralleli sarà efficace.
Hai già provato il profeta di facebook?
Per qualche motivo, la mia liba si rifiuta ostinatamente di installarsi, mettere anaconda, python... si blocca nella fase di installazione e basta. la liba del mio amico funziona
beh, solo un altro interessante
http://pythondata.com/stock-market-forecasting-with-prophet/
Hai già provato il profeta di facebook?
Per qualche motivo, la mia liba si rifiuta ostinatamente di installarsi, mettere anaconda, python... si blocca nella fase di installazione e basta. la liba del mio amico funziona
beh, solo un altro interessante
http://pythondata.com/stock-market-forecasting-with-prophet/
Ho letto questi articoli e, ad essere onesti, non sono impressionato dall'approccio del dottor Brown.
La biblioteca invece è interessante. Sono sicuro che sarà interessante guardare attraverso i modelli di tendenza.
Per ora mi atterrò a Keras. Soprattutto l'allenamento con rinforzo è facile da implementare con Keras-RL.
Nota sull'installazione, quando si usa Anaconda, i pacchetti dovrebbero essere installati attraverso "conda" invece di "pip".
Per qualche ragione, la mia liba si rifiuta ostinatamente di installarsi...
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
Non piangere)))) per un gioco "avanzato" per la vr.
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
qualcosa di interessante... per python non riesco a trovare
Ho già un sacco di roba ammucchiata, è ora di costruire un nuovo bot :)
Nota sull'installazione, quando si usa Anaconda, i pacchetti dovrebbero essere installati attraverso "conda" invece di "pip".
Sì, l'ho fatto via condu e l'ho fatto via pip in python nudo... ho un bug nel sistema stesso, non può costruire e compilare ciò che ho scaricato... forse devo riscaricarlo a mano
Non c'è niente di cui preoccuparsi.