Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 192
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
O mundo inteiro tem estado à espera deste momento com a respiração suspensa.
E agora finalmente aconteceu!
A versão 12 do jPrediction, que gera código de classificadores ternários treinados em MQL, foi liberada. Os usuários do MetaTrader não precisam mais portar códigos de classificadores ternários de Java para MQL. Todo o código para MQL é agora armazenado em arquivos com extensão mqh.
(Aplausos e gritos de "Hurrah!")
Mas isso não é tudo. jPrediction 12 é agora cerca de 12% mais rápido do que a versão anterior!
(Aplausos estrondosos enquanto se atira capotas)
Muitos usuários do jPrediction podem baixar e usar a versão 12 gratuitamente, baixando-a do meu site (link no meu perfil, primeiro post na minha página inicial).
(Bate de teclas e movimento de indicadores de download nos monitores)
Parabéns são aceitos tanto verbalmente quanto por escrito, você também pode receber presentes e transferências de dinheiro via WebMoney.
Tenho vergonha de perguntar, para qual versão do MKUL? 4 ou 5????
Eu verifiquei na 5ª versão. Mas não há OOP e outras características típicas apenas dos 5. Então parece que deve haver compatibilidade com a 4ª, certo? Claro, acho que não, já que não verifiquei no 4.
Ótimo, acabei de verificar o código que o Prediction gera com o código que eu escrevi, o resultado é o mesmo. Eu só estava preocupado se eu tivesse um erro, como você se lembra com 1d, agora que eu verifiquei, o resultado é idêntico. A partir de hoje a selecção do sinal de compra foi tão má que decidi sair do de ontem e não perdi, e optimizei os 12 lançamentos com melhores resultados mas tenho menos entradas... Tenho apenas três. Por isso, no geral, tudo bem, mas terá de ver mais detalhes amanhã. Por isso, amanhã vou relatar mais especificamente.... Seja como for, a pintura a óleo de hoje... julgue por si mesmo.....Grief para reclamar. E deixe-me explicar novamente, os sinais que a rede definiu como "Eu não sei" (pontos sem setas). Nós determinamos pelo facto. Pois hoje é verdade. Quando a rede diz "não sei", queremos dizer que é verdade...
Mas, meu Deus, que chato.
Para sentar-se com um homem doente dia e noite,
Sem um passo para fora do caminho!
Que baixa insidiosidade
Para divertir um homem meio morto,
Para lhe ajustar as almofadas,
Para lhe trazer o remédio com tristeza,
E a suspirar e a pensar para si mesmo:
Quando o diabo te levar!)))
encontrei um pacote que lhe permite aprofundar os algoritmos MoD, eu não o entendo de todo, mas algo me diz que o pacote é bom, talvez alguém esteja interessado...
partykit
A 14ª versão do jPrediction está fora.
A nova versão tem um algoritmo melhorado para identificar e remover preditores insignificantes dos modelos
Você pode baixaro jPrediction 14 gratuitamente e usá-lo para tarefas de classificação baixando-o do meu site (link no meu perfil, post mais alto na minha página inicial).
Exemplos (indicadores) são apenas para ilustração Não recomendo o uso de indicadores
Vamos por um momento imaginar a seguinte situação: temos 5 preditores e o preço, precisamos prever o movimento do preço com alta probabilidade( digamos, mais de 70%) e sabemos de antemão que existe apenas um padrão nesses preditores que pode ser usado para prever o mercado com tal precisão. É quandoo RSI e o stochastic fazem um mini ziguezague na área de ~50
s
A propósito, o padrão está, por assim dizer, em dois planos de visão, digital (padrão na área ~50 ) e figurativo (ziguezague - imagem), por isso quando se procura padrões faz sentido considerar tais planos...
É tudo, não há mais padrões de trabalho nesses preditores, tudo o resto é apenas ruído, esses três primeiros indicadores são originalmente ruído, e noRSI e stochastic há apenas um padrão, tudo o resto noRSI e stoch também é ruído total...
Agora vamos pensar em como podemos procurar tais padrões nos dados... Os MOs convencionais podem fazê-lo?
A resposta é não, porquê?
Porque o objectivo do MO é prever todos os movimentos, ou é um ziguezague ou uma cor de traço ou... velas ou direção ou... ou.. .todos os alvos forçam os MOs a prever todos os movimentos de preços , e isto é impossível em preditores de ruído abaixo de 99%...
Vou contar uma pequena história com moral, criei uma amostra sintética de 20 preditores, 4 preditores interagindo juntos, explicando completamente o alvo, os outros 16 preditores eram apenas ruído aleatório, após treinamento em novos dadosmodelo"OOS" adivinhou todos os novos valores, ele mostrou erro 0%.... A moral desta fábula é: se houver preditores nos dados que possam explicar completamente o alvo, tanto o IM será treinado e oOOS se comportará normalmente... Nossos resultados mostram o contrário, naquelas amostras que alimentamos no IM há mais de 5% de informação útil que pode explicar 5% do alvo, e nós queremos 100% disso, você sabe Utopia de abordagem? É por isso que os MOs supertreinam, nós mesmos os fazemos supertreinar-se querendo prever tudo a 100%.
Então voltando ao ponto principal, como procuramos estes padrões de trabalho? Como encontramos essa "agulha" de robustez na "pilha " de dados?
Sugiro que, em princípio, nos livremos do MO, tudo o que precisamos é apenas quebrar cada preditor em pequenos pedaços de situações semelhantes (padrões) e , tentando todas as combinações possíveis e comparando com o alvo, encontraremos o que procuramos... Agora, como quebrar os preditores? Com o quê?
A resposta é simples, mesmo que eu não tenha percebido logo, só precisamos estupidamente agrupar cada preditor em, digamos, 30 agrupamentos.
Nós apenas dividimos cada preditor para esses clusters e tentamos combinações diferentes entre eles podemos encontrar alguns padrões que funcionam, como na figura - quando o estocástico tem cluster 1 e o RSI tem cluster 2, haverá crescimento...
Agora a essência de como procurar por padrões de trabalho
Esta é a nossa amostra hipotética,alvo.O rótulo é o alvo, o que significa crescimento/declínio.
Exemplo de como procurar o crescimento
procuramos linhas que são repetidas pelo menos 10 vezes em toda a amostragem e em cada um dos grupos encontrados idênticos que foram repetidos, o número de "1" no target.label deve ser mais de 70% a partir de "0".
Não tenho bem a certeza do que quer dizer com "aglomeração". Normalmente você não agrupa um preditor em particular, mas pega uma dúzia deles, e encontra áreas no espaço onde esses pontos se agrupam. Por exemplo, na figura abaixo, tendo dois preditores, o agrupamento em 2 clusters nos dará clusters azuis e vermelhos.
Talvez estejas a falar de padrões? Padrão verde - o preço desce e depois sobe. Amarelo: o preço sobe. Vermelho: acima-> abaixo. Conseguiste?