나는 일반적으로 내가 살고 있는 포럼에서 교육에서 Python 사용에 대한 주제를 시작합니다. MTS의 개발을 위해 거래자에게 유용할 수 있는 모든 것이 거기에 설명될 것입니다. 기성품 전략은 없을 것입니다. 작업은 수익성 있는 MTS를 만들기 위한 "알고리즘"을 찾는 것입니다. 어떤 방법이 사용되는지는 중요하지 않습니다. 중요한 것은 그것들이 유용하다는 것입니다. 링크는 내 뉴스 피드 에 있습니다.
그리고리 쇼닌 : MT의 신경망을 사용하면 모든 것이 간단합니다. Microsoft CNTK의 라이브러리가 있습니다. Python, C# 및 C++용으로 구현됩니다. 모든 네트워크 분석 및 교육은 Python에서 수행되며 DLL은 교육된 네트워크를 로드하고 계산을 수행하는 C++로 작성됩니다. 제 생각에는 이것이 최선의 선택입니다. 두 번째 옵션은 Python을 MT에 연결하는 것입니다. 이를 위해 간단한 라이브러리를 작성했습니다. 도서관 . 우리는 파이썬에서 사용할 수 있는 모든 것을 연결하고 사용할 수 있습니다. 그리고 많이 있습니다. 내 블로그에 머신 러닝에 대한 글을 시작해야 하는지 궁금합니다.
친절하게, 스크립트가 초기화된 후 메모리에 멈추는 점 한 가지를 설명해 주시겠습니까? 즉, python 스크립트에 의해 로드된 모듈도 메모리에 멈춰 있어야 합니다.
추정치: 손실 ~0.7-0.8; 정확도 ~0.55; 하지만! 이러한 모델 추정치는 신호의 품질을 나타내지 않습니다. 훈련 신호 = 1.0, 0.95, 0.0, -0.95, -1.0이고 매수/매도에 대한 클래스 예측이 ~abs(0.45, 0.7) 변동한다는 사실 때문에 그것들은 더 낮습니다. 또한 5000줄의 날짜 집합에서 0.8 부분에 대해 교육이 이루어집니다. 예측은 마지막 100개의 캔들에 대해 이루어집니다.
I ) 뉴런을 가져와 라이브 거래로 만들고 동시에 구성을 선택합니다. 그녀는 그녀의 상금으로 딜링 데스크를 미치게 만들고, 그는 그녀에게 불리하게 가격을 움직이기 시작하지만 그녀는 어떻게든 이에 대한 준비가 되어 있고 여전히 플러스로 거래합니다. 딜링 데스크는 돈을 벌기 위해 은행 간 시장에서 거래를 복사합니다. 이것은 이미 교환 을 유발합니다. 로봇 이 미쳤고, 멍청해지기 시작했고 세계 시장은 지옥에 갈 것입니다. 에이전트는 환경과 상호 작용합니다. 이것은 강화 거래입니다. 최근 월요일에 일부 Google이 새로운 강화 거래 로봇을 테스트하고 있었는데 완벽하게 맞는 것 같습니다.
II) 우리는 뉴런을 가져와 역사를 거래합니다. 우리는 역사에서 잘 거래되는 뉴런의 가중치와 구성의 이상적인 버전을 찾습니다. 강화는 더 이상 얻을 수 없습니다, 이것은 교사 없이 학습입니다. 그리고 대부분 과적합 및 배수입니다.
간단히 말해서, 계획은 100센트 라이브 계정으로, 각 뉴런은 며칠 동안 거래합니다. 유전학은 뉴런 작업의 결과를 수집하고 새로운 구성을 선택하여 며칠마다 새로운 로봇을 생성한 다음 결과가 새 로봇을 다시 생성할 때까지 기다립니다.
MT의 신경망을 사용하면 모든 것이 간단합니다. Microsoft CNTK의 라이브러리가 있습니다. Python, C# 및 C++용으로 구현됩니다. 모든 네트워크 분석 및 교육은 Python에서 수행되며 DLL은 교육된 네트워크를 로드하고 계산을 수행하는 C++로 작성됩니다. 제 생각에는 이것이 최선의 선택입니다. 두 번째 옵션은 Python을 MT에 연결하는 것입니다. 이를 위해 간단한 라이브러리를 작성했습니다. 도서관 . 우리는 파이썬에서 사용할 수 있는 모든 것을 연결하고 사용할 수 있습니다. 그리고 많이 있습니다. 내 블로그에 머신 러닝에 대한 글을 시작해야 하는지 궁금합니다.
전략과 개인적인 생각/경험에 대해 읽는 것이 흥미로울 것입니다. .. 개인적으로
기본적으로 그들은 라이브러리 더미를 통해 정렬하고 작성하거나 작성하지 않는 것이 더 나은 것에 대해 여기에 모든 종류의 쓰레기를 씁니다. 전염병은 간단하고 모든 것이 우유에 있습니다.
주요 아이디어는 오래 전에 fxsaber에 의해 표명되었지만 이 접근 방식을 사용하면 처음에 잘못된 주제였기 때문에 주제를 닫을 수도 있습니다.
동의한다.
구체적인 예도 이론도 없이 주제가 완전히 쓰레기가 되어 버렸습니다.
상황을 수정합시다.
우선, 예측을 위한 표본 크기를 결정하는 방법을 모두 읽으라고 조언합니다(첨부 파일 참조).
동의한다.
구체적인 예도 이론도 없이 주제가 완전히 쓰레기가 되어 버렸습니다.
상황을 수정합시다.
우선, 예측을 위한 표본 크기를 결정하는 방법을 모두 읽으라고 조언합니다(첨부 파일 참조).
감사합니다 Alexander, mb 거기에서 유용한 것을 꺼낼 수 있습니다. 읽어보겠습니다.
동의한다.
구체적인 예도 이론도 없이 주제가 완전히 쓰레기가 되어 버렸습니다.
상황을 수정합시다.
우선, 예측을 위한 표본 크기를 결정하는 방법을 모두 읽으라고 조언합니다(첨부 파일 참조).
그 자체로 훌륭한 기사입니다. 기사에 제시된 결과는 우리에게 매우 부족합니다. "Garbage in-garbage out"지점에서 번영의 기초를 제공하는 것은 그러한 작업의 부재입니다.
그러나이 기사는 콘도 전통 la sovieticus에 나와 있습니다. 실용적인 쓸모가없는 탁월한 이론입니다. 코드가 없습니다 .
현재 안정적인 모델이 있습니다. 아직 작업이 필요하지만 다른 작업으로 바쁘다.
항목 = 가격 + 13, 26 ema;
전처리, 출력 = sigmoid(max, min, close), delta(open-close), 파생(max, min, close), log 파생(max, min, close), detrend(close-em13, close-em26) , ema(13, 26), ema(13, 26)의 파생물; 시계열 데이터 세트로의 데이터 세트 변환(촛대 1개 + 마지막 촛대 5개). 총 16 x 6 = 96 매개변수.
건축물:
일괄 정규화(96);
GRU(96, L2, 탈락=0.5, 'elu');
GRU(64, L2, Dropout=0.5, 'elu');
BatchNormalization(64, 드롭아웃=0.3);
Dense(32, Dropout=0.3, 'elu');
조밀한(16, '엘루');
조밀(8, 'elu');
Dense(3, '소프트맥스');
옵티마이저=나담;
손실 = 범주형 교차엔트로피;
BouncedMA 신호를 캔들 앞(가지에서 더 높음)에서 종료합니다.
추정치: 손실 ~0.7-0.8; 정확도 ~0.55;
하지만! 이러한 모델 추정치는 신호의 품질을 나타내지 않습니다. 훈련 신호 = 1.0, 0.95, 0.0, -0.95, -1.0이고 매수/매도에 대한 클래스 예측이 ~abs(0.45, 0.7) 변동한다는 사실 때문에 그것들은 더 낮습니다.
또한 5000줄의 날짜 집합에서 0.8 부분에 대해 교육이 이루어집니다. 예측은 마지막 100개의 캔들에 대해 이루어집니다.
보시다시피 훈련은 ~45 epoch에서 중지될 수 있습니다.
코드 , 표시기 .
)))
강화 학습 = 비지도 학습. 매우 탐욕스러운 알고리즘입니다.
Stoned Maksim이 카지노에 옵니다. 그의 앞에는 "한팔 산적" 기관단총 무리가 있습니다. 그는 모든 사람과 놀기 시작하고 결과를 기록합니다.
기계 중 하나에서 컷이 더 좋고 즐거운 Maxim은 그와 만 놀기 시작합니다. 하지만 행복은 오래가지 못했다...
http://www.machinelearning.ru/wiki/index.php?title=Reinforcement_learning
예, 저는 이미 도적들을 통과했습니다. :) 엡실론을 탐욕스럽게 만들고 주기적으로 하나에서 다른 것으로 실행할 수도 있습니다.
아주 좋은 메모. 감사합니다, 그것에 대해 생각한 적이 없습니다.
그것은 다음과 같이 밝혀졌습니다 -
I ) 뉴런을 가져와 라이브 거래로 만들고 동시에 구성을 선택합니다. 그녀는 그녀의 상금으로 딜링 데스크를 미치게 만들고, 그는 그녀에게 불리하게 가격을 움직이기 시작하지만 그녀는 어떻게든 이에 대한 준비가 되어 있고 여전히 플러스로 거래합니다. 딜링 데스크는 돈을 벌기 위해 은행 간 시장에서 거래를 복사합니다. 이것은 이미 교환 을 유발합니다. 로봇 이 미쳤고, 멍청해지기 시작했고 세계 시장은 지옥에 갈 것입니다. 에이전트는 환경과 상호 작용합니다. 이것은 강화 거래입니다. 최근 월요일에 일부 Google이 새로운 강화 거래 로봇을 테스트하고 있었는데 완벽하게 맞는 것 같습니다.
II) 우리는 뉴런을 가져와 역사를 거래합니다. 우리는 역사에서 잘 거래되는 뉴런의 가중치와 구성의 이상적인 버전을 찾습니다. 강화는 더 이상 얻을 수 없습니다, 이것은 교사 없이 학습입니다. 그리고 대부분 과적합 및 배수입니다.
간단히 말해서, 계획은 100센트 라이브 계정으로, 각 뉴런은 며칠 동안 거래합니다. 유전학은 뉴런 작업의 결과를 수집하고 새로운 구성을 선택하여 며칠마다 새로운 로봇을 생성한 다음 결과가 새 로봇을 다시 생성할 때까지 기다립니다.