Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 83
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Qualquer coisadesde a navegação visual dos gráficos e a busca de padrões na quebraaté o treinamento da rede neural nada mais é do que negociar por estatísticas, as próprias estatísticas que não funcionam no mercado, você sabe do que estou falando?
o mercado se move contra as negociações da multidão ----- a multidão age em estatísticas ------ tudo que você precisa é prever a ação da multidão no futuro e fazer o oposto, a única maneira de prever são as estatísticas
Se por estatística entendemos ferramentas, que funcionam SOMENTE em processos estacionários aleatórios, então tais estatísticas não funcionam, porque os mercados financeiros são processos não estacionários, nos quais os conceitos de "média", "correlação", etc., não têm sentido.
A aprendizagem mecânica, por outro lado, não é normalmente classificada como estatística, mas como inteligência artificial.
Quanto à ideia deMihail Marchukajtes eu também a tive alguns dias antes de ela aparecer neste tópico, talvez alguém esteja interessado no resultado, acho que esta abordagem também é correcta e até viável.Tenho notado algum padrão técnico por muito tempo, que de vez em quando funciona, o padrão é pura venda (mas eu deixo a rede comprar só por diversão), prescrevi-o e quando o preço chega a algum ponto "X" no padrão eu deixo a rede fazer uma compra/venda/restauro, a rede não analisa todas as cotações constantemente, mas apenas quando alguma condição é cumprida a rede fará isso..
A meta era de três classes, ou seja, quando o ponto "X" é atingido, então a parada mental e o lucro são definidos para compra e venda:
comprar - se um takeaway for comprado e a paragem não for eliminada
Vender - se tomar o ponto de venda e o stop loss não tiver sido tirado
descanso - se parar de comprar e vender e nenhum dos dois foi atingido
o take foi 2 ou 3 vezes a paragem, não me lembro exactamente, acho que foi 3 vezes
Apesar de a rede na realidade ser muito pior do que a validação, (na validação kol. as respostas corretas foram de 63% e no comércio real cerca de 20%) mas, mesmo assim, o algoritmo foi rentável
mas na maioria das vezes
o padrão é curto por si só e, portanto, a compra aqui não é marcada pela precisão e rentabilidade
E se nós programarmos 10 destes padrões em vez de um? interessante ? ;)
Se por estatísticas entendemos ferramentas que funcionam SOMENTE em processos aleatórios estacionários, então tais estatísticas não funcionam, porque os mercados financeiros são processos não estacionários onde os conceitos muito apreciados de "média", "correlação", etc., etc., não têm sentido.
A aprendizagem mecânica, por outro lado, não é normalmente classificada como estatística, mas como inteligência artificial.
Qualquer coisa que seja usada pela grande maioria, se entendi bem a observação, caberia nas estatísticas.
E vou acrescentar um pouco mais à corrida:
Você escreve sobre não-estacionariedade e mercados, aprendizagem de máquinas, mas você sabe que existem ferramentas geralmente aceitas para prever processos não-estacionários, e não existem muitas delas, elas são "MGUA". , modelos Markov ocultos e redes neurais recorrentes (pode estar errado sobre a rede, pode ser apenas para a BP)
As redes neurais, os meteorologistas de todas as cores, etc. NÃO são concebidos para dados não estacionários, porque é que todos nós, incluindo eu, utilizamos ferramentas que não são para os fins a que se destinam? Pergunta)
100% para uma árvore é um perfeito disparate!
Se todos os seus preditores são ruído, este resultado é muito difícil de alcançar: ainda haverá um erro de 3%-5%. O ruído dá sempre muito bons resultados com todos os truques de validação cruzada e outros.
Precisão de 100% significa a única coisa: entre os preditores você tem uma duplicata da variável alvo (alguma modificação da mesma). Ou seja, o modelo olha para o futuro.
Lembro-me de exemplo nos seus dados de ALL_cod.RData, dataet TF1 ou algo parecido, com a primeira variável alvo floresta mesmo com pequeno número de árvores deu quase 100% de resultado. E ao aumentar o número de árvores na floresta, a precisão cresceu até 100%. Uma floresta pode memorizar cada exemplo de treino, se os seus parâmetros forem suficientemente grandes para isso.
No mytarmailS é vice-versa, a floresta com pequeno número de parâmetros dá bons resultados, mas com o aumento do número de árvores a precisão diminui. Ele não usa validação cruzada, por isso estamos a falar dos dados de treino em si. Não é assim que funciona. A precisão de uma floresta nos dados de treinamento só cairá à medida que seus parâmetros diminuírem, e não vice-versa. É possível?
Com o mytarmailS é o contrário, uma floresta com um pequeno número de parâmetros dá bons resultados, mas com mais árvores a precisão vai para baixo.
Um sino pesado
E, no limite da questão
Uma borboleta a adormecer. ( hoku japonês.)
Ao ver a filial do auditório, não consigo perceber se preciso dela.
Por um lado, existe a aprendizagem de máquinas, inteligência artificial, redes neurais; por outro, como eu o entendo, a questão principal é como identificar e combinar precedentes (regularidades) e preditores (prognosticadores). Por outro lado, o mercado é uma substância, o número de fatores é infinito, então é possível dividi-los em grandes e pequenos?
Alguns instantâneos. 2011г. Japão. Fukushima. O tsunami causou um acidente em uma usina nuclear. Não importa o que causou o tsunami - um terremoto ou uma aba da asa de uma borboleta, de acordo com a teoria do caos. O importante é que não se pode prever e conhecer o impacto sobre o mercado. Parece que é um acidente, a evacuação de pessoas, radiação, e nós podemos sair da ilha. Mas não. O acidente aconteceu em 11 de março, e em 16 de março o índice Nikkei mostra um crescimento sem precedentes. Acontece que os japoneses não correram como ratos de um navio afundado, mas pelo contrário, começaram a devolver a capital ao seu país para ajudar na reconstrução.
Há um ano atrás. Alemanha. Wolfsburg. A fábrica "WV" e a cidade foi construída pela ordem de Hitler para a criação do carro do povo alemão. Aqui, o programador agiu como uma borboleta, tendo programado a ausência de emissões nocivas de motores diesel apenas durante os testes de banco de ensaio. Escândalo. O stock da WV está em baixa. O DAX está despedaçado.
Os nossos dias. O Japão novamente. As acções da Nintendo disparam. A capitalização excede, por exemplo, as exportações de armas dos EUA. Quem diria que algo como "Pocemon Go" se tornaria tão popular?
Este tópico discute sistemas baseados em dados semanais, mensais e até mesmo anuais. Está à procura de algum tipo de sinal cambial estável. Acho-o desconcertante. Durante o dia algumas borboletas, estatísticas, declarações podem "requalificar" o mercado ao mais pequeno capricho. Construir um sistema estável que funcione pelo menos uma semana é tão provável como montar a Boeing a partir das peças encontradas num contentor do lixo.
Sino pesado
Lembro-me de um exemplo nos seus dados de ALL_cod.RData, dataet TF1 ou algo parecido, com a primeira variável alvo a floresta mesmo com um pequeno número de árvores deu quase 100% de resultado. E ao aumentar o número de árvores na floresta, a precisão cresceu até 100%. A floresta pode memorizar cada exemplo de treino, se os seus parâmetros forem suficientemente grandes para isso.
No mytarmailS é vice-versa, floresta com pequeno número de parâmetros dá bom resultado, mas com o aumento do número de árvores a precisão diminui. Ele não usa validação cruzada, por isso estamos a falar dos dados de treino em si. Não é assim que funciona. A precisão de uma floresta nos dados de treinamento só cairá à medida que seus parâmetros diminuírem, e não vice-versa. É possível?
Qual é o objectivo do posto? Não percebo.
Um sino pesado
E, no limite da questão
Uma borboleta a adormecer. ( hoku japonês.)
Ao ver a filial do auditório, não consigo perceber se preciso dela.
Por um lado, existe a aprendizagem de máquinas, inteligência artificial, redes neurais; por outro, como eu o entendo, a questão principal é como identificar e combinar precedentes (regularidades) e preditores (prognosticadores). Por outro lado, o mercado é uma substância, o número de fatores é infinito, então é possível dividi-los em grandes e pequenos?
Alguns instantâneos. 2011г. Japão. Fukushima. O tsunami causou um acidente em uma usina nuclear. Não importa o que causou o tsunami - um terremoto ou uma aba da asa de uma borboleta, de acordo com a teoria do caos. O importante é que não se pode prever e conhecer o impacto sobre o mercado. Parece que é um acidente, a evacuação de pessoas, radiação, e nós podemos sair da ilha. Mas não. O acidente aconteceu em 11 de março, e em 16 de março o índice Nikkei mostra um crescimento sem precedentes. Acontece que os japoneses não correram como ratos de um navio afundado, mas pelo contrário, começaram a devolver a capital ao seu país para ajudar na reconstrução.
Há um ano atrás. Alemanha. Wolfsburg. A fábrica "WV" e a cidade foi construída pela ordem de Hitler para a criação do carro do povo alemão. Aqui, o programador agiu como uma borboleta, tendo programado a ausência de emissões nocivas de motores diesel apenas durante os testes de banco de ensaio. Escândalo. O stock da WV está em baixa. O DAX está despedaçado.
Os nossos dias. O Japão novamente. As acções da Nintendo disparam. A capitalização excede, por exemplo, as exportações de armas dos EUA. Quem diria que algo como "Pocemon Go" se tornaria tão popular?
Este tópico discute sistemas baseados em dados semanais, mensais e até mesmo anuais. Está à procura de algum tipo de sinal cambial estável. Acho-o desconcertante. Durante o dia algumas borboletas, estatísticas, declarações podem "requalificar" o mercado ao mais pequeno capricho. Construir um sistema estável que funcione pelo menos uma semana, é tão provável como montar a Boeing a partir de peças encontradas num contentor do lixo.
A sua falta de compreensão é fundamental para o assunto.
1. Tudo o que você escreve é absolutamente correto para previsões como extrapolações que, por sua vez, funcionam para uma série cronológica estacionária. Você dá exemplos da vida real que falam da não-estacionariedade das séries financeiras e aqui você está absolutamente correto. Além disso, as notícias não são a única causa da não-estacionariedade.
2. A discussão aqui é sobre previsões baseadas em uma classificação que não leva em conta o estado anterior ao prever a próxima barra. As previsões (previsões) baseadas em classificação são previsões baseadas em padrões. Se houve notícias no passado que causaram mudanças, que NÃO são derivadas de valores anteriores (não extrapoladas), então a classificação detectará tal mudança como tal e se houver uma mudança semelhante no futuro (não exatamente a mesma, mas semelhante), ela será reconhecida e uma previsão correta será feita.
Então, quando se classifica o pokemon não é assustador.