L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 550
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
Beh, sì, questi non sono modelli econometrici preconfezionati, ma semplicemente un insieme di strumenti universali per tutti i settori.
L'econometria non parametrica riguarda solo l'IR e la logica fuzzy, ma non ho ancora visto cose coerenti, forse perché non sono stati elaborati approcci generali. Non so come funziona :)
Ho paura di quello che può succedere, Maxim, ma secondo me - le reti neurali non sono applicabili nel modo in cui ho letto nei miei articoli. Stai lavorando con il prezzo stesso, anche se lo stai normalizzando, mentre dovresti lavorare con la densità di probabilità del prezzo. Qui sta la contraddizione inestinguibile con il principio di indeterminazione di Heisenberg. Ma non interferirò - è ancora interessante.
Non interferite, scrivete quello che volete - è un forum pubblico. E anche alle tue distribuzioni, arriveremo, non tutte in una volta, purché ci sia un certo numero di idee "indescrivibili" :D
Mi sono messo a ballare solo perché dovevo ottenere l'importanza delle funzioni per LR e RF attraverso Python o R, poi mi sono lasciato trasportare e ho iniziato a esplorare ulteriormente
Ho un bot in NS che devo alimentare periodicamente con "buone caratteristiche" sugli automi, tenendo conto dei cambiamenti del mercato, ma per il resto funziona bene...
Non interferite, scrivete quello che volete - è un forum pubblico. E anche alle tue distribuzioni, ci arriveremo, non tutte in una volta, purché ci sia un certo numero di idee "indescrivibili" :D
Mi sono messo a ballare solo perché dovevo ottenere l'importanza delle funzioni per LR e RF attraverso Python o R, poi mi sono lasciato trasportare e ho iniziato a esplorare ulteriormente
Se ho un robot in NS, dovrei alimentarlo periodicamente con "buoni segnali" sull'automatismo, tenendo conto del cambiamento del mercato, ma per il resto funziona bene...
Maxim, cosa succede con il tuo Expert Advisor? Dove si possono trovare i test?
https://github.com/RandomKori/Py36MT5 Ecco i sorgenti della libreria Python per MT5. L'unico problema è con gli array. Passare un array o riceverlo non funziona correttamente. Ho eseguito il debug del codice DLL in Visual Studio. Lì tutto funziona. La questione è che potrebbe essere un bug terminale. Non ho scritto come lavorare con la libreria. Non ha senso. Nessuno ne ha bisogno senza gli array. Anche se forse si è incasinato nel file pythom.mqh Aiutami a capirlo. Sarà utile a tutti.
Gli array reali funzionano come dovrebbero. Gli array lunghi non funzionano.
Sostituito il lungo sull'int. Ora tutto funziona. La biblioteca può essere utilizzata. Saranno scritti solo i commenti sull'uso.
Maxim, cosa succede con la tua EA? Dove posso vedere i test, o è tutto riservato?
Sto migliorando sempre di più... Ma lentamente, a causa della complessità del soggetto
Alcune osservazioni/pensieri su come costruire un modello per il mercato (per esperienza):
Per i classificatori di reti neurali: il bilanciamento delle classi è obbligatorio, il numero di esempi per 2 o più classi deve essere bilanciato. Se il modello è addestrato su un segmento di tendenza, si possono rispecchiare i segnali e aggiungere esempi contrari. Allo stesso tempo i segni non devono essere correlati all'obiettivo, che è chiaro.
Per i regressori delle reti neurali: almeno uno degli indicatori deve esserefortemente correlato con l'obiettivo, specialmente quando il modello è addestrato sui prezzi di uscita. Se non lo fate, allora il regressore si perderà in un albero e non sarà in grado di predire correttamente il prezzo se il campione contiene esempi ripetuti o simili, ma con prezzi di uscita diversi. A questo scopo, oltre ad altre caratteristiche, è possibile alimentare gli incrementi normalizzati con un grande ritardo (più di 50). Più grande è un campione addestrato, maggiore è il ritardo necessario per escludere le varianti ripetute. È anche auspicabile alimentare diverse serie di questo tipo con incrementi spostati l'uno rispetto all'altro, allora ogni singolo caso sarà interpretato quasi senza ambiguità.
Per le foreste casuali come classificatori: come per NS.
Per le foreste casuali come regressori: quasi inutile, come per NS, ma è impossibile dare prezzi in uscita (poiché le foreste non estrapolano), e se diamo incrementi per questi scopi, le foreste si confonderanno in 3 pini, poiché ci saranno molti esempi sovrapposti.
Alcune osservazioni/pensieri su come costruire un modello per il mercato (per esperienza):
Per i classificatori di reti neurali: il bilanciamento delle classi è obbligatorio, il numero di esempi per 2 o più classi deve essere bilanciato. Se il modello è addestrato su un segmento di tendenza, si possono rispecchiare i segnali e aggiungere esempi contrari. In questo caso i segnali non devono essere correlati a quello di destinazione, il che è comprensibile.
Proprio l'opinione opposta. Ho prove fino a lavorare sul reale. Una cosa che mi è chiara è che costruire una classificazione sui fondi di caffè e sugli anelli di Saturno è impossibile, MAI - è sciamanesimo. I modelli out-of-sample danno più o meno lo stesso risultato di quelli in-sample solo se si pulisce il set di predittori di input dal rumore e si lasciano solo quelli che sono rilevanti per la variabile obiettivo. Inoltre ho un algoritmo per pulire il rumore e i risultati del calcolo per i predittori rimanenti danno l'errore marginale con cui la classificazione sarà fatta per questo insieme di predittori.
È vero l'esatto contrario. Ho le prove fino al lavoro nel mondo reale. Una cosa che mi è chiara è che la classificazione basata sui fondi di caffè e sugli anelli di Saturno non può, MAI, essere sciamanica. I modelli out-of-sample danno più o meno lo stesso risultato di quelli in-sample solo se si pulisce il set di predittori di input dal rumore e si lasciano solo quelli che sono rilevanti per la variabile obiettivo. Inoltre, ho un algoritmo per pulire il rumore, e i risultati del calcolo per i predittori rimanenti danno l'errore marginale con cui sarà fatta la classificazione per quell'insieme di predittori.
Questa domanda non è ovvia per me se otteniamo un classificatore non lineare... cosa dovrebbe correlare con cosa? ) E se abbiamo caratteristiche categoriche, allora la regressione non funzionerà affatto, ma la classificazione sì.
ma per la regressione è giustificato