L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 950
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
Perché dividere un file quando tutto è già diviso in due file? Solo che non so come farlo in R, nessuno potrebbe spiegarmelo, credo di essere stupido.
Forse è più facile usare https://www.cs.waikato.ac.nz/ml/weka/downloading.html se non hai tempo di studiare programmazione?
Ma qui c'è un modello diverso:
Il risultato è che TUTTO il resto, anche se il modello è qualitativamente diverso, dovrebbe funzionare male sui vostri dati.
Dobbiamo migliorare il randomForest
Capito, grazie, allora mi occuperò di alberi e foreste - mi piacciono molto e ideologicamente.
Perché dividere il file, se tutto è già diviso in due file? Solo che non so come farlo in R, nessuno potrebbe spiegare a me, apparentemente stupido.
Dividere è un gioco da ragazzi, il problema è il pregiudizio contro R.
Spero vivamente che la rete sia in grado di superare un Expert Advisor ottimizzato sulla storia :)
Perché la rete?
Non ho pregiudizi, ho solo una scarsa conoscenza della lingua, nessun aiuto in russo (ho un libro, ma il libro ha bisogno di essere letto, a differenza dell'aiuto, e non so cosa sia necessario lì), quindi questo è un problema per l'apprendimento. E non è chiaro perché alla gente non piaccia così tanto la GUI - fa risparmiare tempo...
E per quanto riguarda la rete, mi sono espresso male, si tratta solo del modus operandi in generale.
Dove hai raccolto così tanti farthers? li hai selezionati manualmente per adattarli alla strategia? pazzesco :)
la logica dell'impalcatura dovrebbe essere la stessa.
Ho scelto questi predittori a causa della mia amara esperienza di trading manuale, quando ho perso soldi e non capisco perché ho fatto un errore quando sono entrato nel mercato. Ho un problema - non mi piace perdere denaro e quindi ho difficoltà a chiudere una posizione che mi causa un sacco di problemi se faccio trading a mano. Dopo tali eventi si lavora duramente, testando, analizzando, cercando una soluzione per evitare una perdita - si generano idee, le si controlla sulla storia, se ne rifiutano alcune e non altre. Molte idee rimangono inattuate a causa della difficoltà che ho nel programmarle, ma rimangono sulla carta, le carte riempiono il tavolo...
Grazie per la risposta rassicurante sull'impalcatura!
Forse è più facile usare https://www.cs.waikato.ac.nz/ml/weka/downloading.html, se è noioso studiare la programmazione?
Ho questo secolo - solo che non so come usarlo!
E poi, come farlo funzionare con MT5?
Tutto questo ***, in generale Rattle ha addestrato la foresta nel 2015, impostazioni predefinite, ha dato questo risultato
Summary of the Random Forest Model ================================== Number of observations used to build the model: 98573 Missing value imputation is active. Call: randomForest(formula = as.factor(arr_Buy) ~ ., data = crs$dataset[crs$sample, c(crs$input, crs$target)], ntree = 500, mtry = 8, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix) Type of random forest: classification Number of trees: 500 No. of variables tried at each split: 8 OOB estimate of error rate: 6.89% Confusion matrix: -1 0 1 class.error -1 24452 2147 27 0.08164952 0 1138 42398 1180 0.05183827 1 36 2265 24930 0.08449928Ho imparato file csv per testare il modello su altri dati da caricare (per questo file dovrebbe essere aperto prima, come un file per lavorare con i dati, e poi esportato e già questo file esportato per aprire nella scheda valutare) - caricato per 2016.
Ho ottenuto questo risultato noioso
Cos'è questa riqualificazione, impostazioni sbagliate, mercato drasticamente diverso?
Allora perché ottengo risultati migliori sull'albero in Deductor Studio con gli stessi dati?
Benvenuti nel mondo del curvafitting
A proposito, ho curiosato nell'EMD - la decomposizione deve essere fatta su ogni nuova barra, il che rende il f-u-mode rumoroso, dato che tutti i mods rimbalzano avanti e indietro quando vengono aggiunti nuovi dati. Sciocchezze, adatto solo a casi unici
nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense nonsense.Benvenuti nel mondo del curvafitting
A proposito, ho curiosato nell'EMD - la decomposizione deve essere fatta su ogni nuova barra, il che rende il f-u-mode rumoroso, dato che tutti i mods rimbalzano avanti e indietro quando vengono aggiunti nuovi dati. Sciocchezze, adatto solo a casi di 1 volta.
Ho scoperto un nuovo modo di gestire le posizioniAll'inizio ho pensato, ecco, sono stato sgridato qui, si scopre che la parola composta ha un significato diverso...
Pensi che il problema sia che la mia uscita non è per pattern, ma per stop loss e questo altera seriamente il risultato?
Per quanto riguarda l'EMD, ho un'idea per utilizzare questo approccio per creare canali in controtendenza...
Qual è il nuovo modo di gestire le posizioni?All'inizio ho pensato che è così, sono stato sgridato qui, ma si scopre che la parola composta ha un significato diverso...
Pensi che sia perché la mia uscita non è basata su un pattern, ma su uno stop-loss, e questo distorce notevolmente il risultato?
Per quanto riguarda l'EMD, ho avuto l'idea di usare questo approccio per creare canali in controtendenza...
Qual è il metodo di gestione delle posizioni?L'EMD nella dinamica non può essere applicata affatto a causa delle ragioni di cui sopra
È una lunga spiegazione del metodo, tutto si intreccia con la RL
Sì e nel tuo caso - il risultato è atteso su nuovi dati. Questo è quasi sempre il caso. In parte risolto da insiemi di modelli indipendentiHo ottenuto un risultato così noioso
Cos'è questa riqualificazione, impostazioni sbagliate, mercato drasticamente diverso?
Allora perché sto ottenendo risultati migliori sull'albero in Deductor Studio con gli stessi dati?
Prova principale di riqualificazione: non ho trovato alcun predittore di rumore - tutto rumore, ecco perché risultati così buoni nell'allenamento.
L'EMD non può essere utilizzato nella dinamica a causa delle ragioni descritte sopra
il modo è lungo da spiegare, è tutto intrecciato con la RL
E nel vostro caso - il risultato è atteso su nuovi dati. Questo è quasi sempre il caso. In parte risolto da insiemi di modelli indipendentiAggiungo qualche altro predittore e passo all'ensemble.... e poi inizieranno i tamburelli e le danze.