Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 255
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
1. por que você está normalizando manualmente? há escala()
2. Porque é que a correlação -1 e 1 é boa? apenas se 1 for bom -1 for muito mau, se eu entender a ideia correctamente, -1 é uma correlação inversa
3. você já tentou monitorar o erro de um modelo treinado em uma janela deslizante, e se ele não lhe convém, recicle o modelo e veja o que vai acontecer?
4. e a idéia global do porque tudo funciona tão mal, o mercado não é estacionário, precisamos elaborar algum outro conceito de formação de características, talvez mudar completamente para o paradigma das regras lógicas, acho que devemos nos afastar dos números quase completamente, ou estudar a análise do espectro)))))
1) Eu nunca fui capaz de escalar(), escalas e centros no meio do nada. O ideal seria usar um pacote de caretes para pré-processamento, ele escalona/centra tudo muito bem, mas usar outro pacote seria muito complicado para um exemplo tão simples
2) correlação próxima de zero significa que não há correlação, este é o pior caso. O lucro no teste neste caso não diz nada sobre o lucro potencial em novos dados.
-1 é quando a alta precisão no treinamento dará resultados consistentemente ruins nos novos dados. Mas, ao mesmo tempo, um resultado baixo no treinamento significará um resultado melhor sobre os novos dados :) Isto pode acontecer se o modelo for facilmente ajustado aos dados e retrabalhado, e com um baixo resultado no treinamento ele simplesmente não tem tempo suficiente para memorizar os dados e de alguma forma miraculosamente negocia o positivo. Por exemplo, a precisão dos dados de treinamento pode variar de 0,9 a 1 e, neste caso, 0,9 será "baixa" e a precisão dos novos dados variará de 0,5 a 0,6 onde 0,6 será "alta". Ou seja, o modelo com o pior resultado não é retrabalhado, e tem melhor lógica de generalização, e como resultado o resultado sobre os novos dados também é melhor.
Embora tudo isto seja bonito em palavras, mas na realidade nunca vi uma correlação negativa estável. É mais confortável e mais fácil de ir para +1.
3) Embora eu entenda que o modelo não me convém - algum tempo vai passar, durante o qual ele vai perder tanto que um modelo normal não vai funcionar então. Você pode negociar novos modelos primeiro em uma conta demo - mas pode estar obsoleto quando o modelo se tornar rentável e eu começar a negociá-lo em uma conta real. Eu não tentei. É melhor eu verificar antes que todo o algoritmo de aprendizagem funciona e dá modelos consistentemente lucrativos e definir algo em que confio para negociar na conta real.
Se o algoritmo de aprendizagem for bom, é melhor actualizar um modelo de trabalho antigo com novos dados do que criar novos modelos a partir do zero.
4) a engenharia de características é boa. Eu, por exemplo, uso indicadores do mt5 em vez de preço nua.
E com que precisão o seu bom modelo prevê a cor de um candelabro nos novos dados em condições reais? Você negocia no gráfico diário, certo?
Eu tenho H1, o alvo é a cor da próxima vela. A precisão das previsões é de apenas 55%-60%, mas é suficiente. Mesmo numa tendência, o preço nem sempre sobe, mas salta constantemente para cima e para baixo nas barras seguintes, por isso estes saltos estragam consideravelmente a precisão. O principal é que o modelo em si não flutua e uma vez que entrasse no comércio sentar-se-ia nele até ao fim da tendência.
O principal é que o modelo não se contorce por si só, e uma vez que tenha entrado no comércio, ele se sentaria nele até o fim da tendência. O principal é que o modelo em si não deve vacilar e uma vez que tenha entrado no comércio, deve permanecer lá até o fim da tendência.
Essa sensação quando começamos a pensar que compreendemos o mercado...
video.... muito interessante sobre seleção de características, algoritmos e até um pouco sobre mercados
https://www.youtube.com/watch?v=R3CMqrrIWOk
video.... muito interessante sobre seleção de características, algoritmos e até um pouco sobre mercados
https://www.youtube.com/watch?v=R3CMqrrIWOk
É muito interessante. É uma pena que não haja muito sobre os mercados em particular, algo como "Se eu começar a prever os preços do petróleo, provavelmente vou ser morto" :) (minha citação é imprecisa, eu a escrevi de memória).
A primeira meia hora de vídeo - aqui o Alexey escreveu sobre isso no tópico. Até o código R foi anexado. Não consigo encontrá-lo agora, tenho que folhear as primeiras dezenas de páginas, além disso, havia um link para o artigo dele sobre isso na hbr.
Para mim este método de seleção de preditores para forex infelizmente não ajudou, todos os meus preditores eram muito pouco informativos, eu acho que este algoritmo é adequado para dados mais estacionários. Ou precisamos de mais novos palpiteiros.
Cavalheiros, alguém me pode dar um exemplo de uma rede neural a trabalhar em input com matrizes como m1[1000.1000] m2[1000.1000] etc. Peço desculpa por ser burro se alguma coisa.
Ainda não trabalhei com a neurónica, quero praticar. Não entendo bem como são definidos os parâmetros. Ficaria muito grato.
talvez alguém tenha considerado o método do preditor corrector
na entrada com arrays por exemplo m1[1000.1000] m2[1000.1000] etc.
Você quer alimentar duas matrizes com 1000 exemplos de treinamento cada uma e 1000 entradas para a rede? Isso não vai funcionar, eles terão de ser fundidos num só. Ou estás a falar de outra coisa?
Cada array[][] é um conjunto de informações de qualidade única, ou seja, para cada entrada, um array separado[][]. Eu quero alimentar muitas matrizes, estou pronto por enquanto 4, estou planejando criar mais, cada matriz descreve o estado do preço, acontece a partir de ângulos diferentes, é assim que é.
Cada matriz contém 1000 linhas e 1000 colunas, por isso tenho uma tridimensional, por isso a dimensão K é a nova bidimensional.