Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 285
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
Mihail Marchukajtes:
J Sobre a aprendizagem profunda. Agora muitas pessoas estão a falar sobre isso, quero saber mais. E mais uma pergunta. Quem implementou a rede recorrente sem um professor no MT4?
=====================================
Lê aqui, aqui.
Quanto à segunda pergunta, eu nem sei o que dizer.
Boa sorte.
Eu só uso o alvo no treino como uma certa base, que o modelo se esforça, mas nunca alcança. E para estimar o modelo não uso a precisão da previsão, mas construo um gráfico da balança comercial através de tais previsões e estimo este gráfico usando, por exemplo, a Sharp Ratio ou o Factor de Recuperação ou outra coisa qualquer. É bom trabalhar com o objetivo "cor do próximo bar". Podemos ir ainda mais difícil e modificar geneticamente este alvo para evitar o uso de acordos em pequenos movimentos e apenas deixá-los de fora, além de que você também pode evitar este problema se o tamanho da próxima vela for menor do que a propagação. Em geral, a decisão (compra/venda) em cada bar deve ser selecionada geneticamente para obter o maior lucro.
Tomo certos indicadores e outras instâncias, treino o modelo, faço previsões sobre os mesmos dados de treino, uso as previsões para construir um gráfico de equilíbrio e avalio-o. Depois levo muito tempo para selecionar os parâmetros do modelo e os parâmetros indicadores e suas combinações, a fim de obter uma melhor estimativa do gráfico de balanço. Como resultado, a precisão da previsão não é superior a 60%, mas o modelo está dentro das tendências e não realiza frequentemente negócios em todos os bares.
Esta é apenas a ponta do iceberg, debaixo de água há muito mais partes secretas, como estimar a utilidade das intenções e verificar se o modelo dá menos peso às intenções ruins; seleção de um modelo adequado entre todas as centenas disponíveis em R; validação cruzada; seleção do comprimento do histórico usado para o treinamento do modelo e toneladas mais.
No início só consegui fazê-lo em D1, mas depois consegui mudar para H1. Para mim, prazos menores já são ruídos imprevisíveis.
Recomendo https://www.accern.com/ para experimentar, eu uso-o, estou muito feliz com ele.
Parece fixe, mas é um pouco caro.
Gostaria de praticar em algo grátis, ver como funciona em tempo real sem demora, mas há uma demonstração com um atraso gigantesco.
Você pode descrever em poucas palavras como tal sinal é usado no comércio e no MO? Se não é segredo, quando notícias importantes são divulgadas, você tem tempo para negociar ou é apenas um segundo, meio segundo antes que alguém comece a chegar ao mercado e morder a isca?
E para avaliar o modelo não uso a precisão da previsão, mas sim traçar o equilíbrio do comércio sobre tais previsões, e avaliar este gráfico, por exemplo, através da razão sharpe ou fator de recuperação ou outra coisa qualquer.
Isto é exactamente o que sempre fiz, as previsões são sempre más, mas o comércio em si nem sempre é.... Em geral, o alvo ideal não é um vector com valores "00110", mas a procura de um mínimo global, por exemplo, pedimos simplesmente à grelha para que o factor de recuperação não fique abaixo de 4 e deixá-lo ajustar os seus pesos até encontrar uma solução, não nos interessa como o fará... Este método elimina todas as desvantagens do alvo vectorial habitual e tem muitas vantagens e também este método é absolutamente objectivo em relação ao comércio, enquanto que um alvo vectorial é absolutamente subjectivo (todos o vêem de forma diferente).
É impossível perceber tal alvo em R, é demasiado "popular" neste sentido, tudo o que existe "carris", tudo seguindo um padrão, é bom e mau ao mesmo tempo. Não sei como fazê-lo, se alguém o sabe, estaria muito interessado em estudar o código, e se fosse feito com R, seria um conto de fadas...
Tomo certos indicadores e outras instâncias, treino o modelo, faço previsões usando os mesmos dados de treino, construo um gráfico de equilíbrio usando as previsões e faço estimativas. Depois levo muito tempo para selecionar os parâmetros do modelo e os parâmetros indicadores e suas combinações, a fim de obter uma melhor estimativa do gráfico de balanço. Como resultado, a precisão da previsão não é superior a 60%, mas o modelo se enquadra nas tendências e não realiza frequentemente negócios em todos os bares.
Posso dizer-lhe como melhorar significativamente a negociação na rede (se estiver interessado) dando-lhe algum pensamento crítico, eu praticamente sempre consigo melhores resultados do que sem ele
mytarmailS:
Não é realista implementar um tal alvo em R, é demasiado "papoila" nesse sentido, tudo o que há "carris" está num padrão, é bom e mau ao mesmo tempo. Então você mesmo precisa escrever uma rede, eu não sou capaz de fazer isso sozinho, se alguém for capaz, eu estaria com muito interesse em estudar o código, e se fosse feito em R, então até mesmo um conto de fadas...
Tens a ideia errada. Dito de forma simples: "Eu não conheço bem a língua e não sei como fazer o que quero fazer". Não devias avaliar algo que não sabes profundamente. A linguagem R pode realizar qualquer idéia que você goste, desde que você a conheça bem o suficiente. Se algo não estiver em R, use o funcionamento de Python.
Claro que, estritamente falando, aprender qualquer modelo com um professor não é "aprender". A aprendizagem profunda aproxima-se dela, mas o mais promissor é a pura aprendizagem sem professores e a sua implementação - o reforço da aprendizagem. No R até agora, existe apenas um pacote que permite implementar este método - o RNeat. Mas este nível só pode ser alcançado com uma excelente compreensão de todos os anteriores. Esta área está bem desenvolvida em Python. E integra-se perfeitamente no R.
Boa sorte.
Você não está formulando a idéia corretamente. Escreva mais simplesmente: "Eu não conheço bem a língua e não sei como fazer o que quero fazer". Não se deve avaliar algo que não se sabe em profundidade. A linguagem R permite-lhe implementar qualquer ideia que queira, desde que a conheça bem. Se algo não estiver em R, use o funcionamento de Python.
Claro que, estritamente falando, aprender qualquer modelo com um professor não é "aprender". A aprendizagem profunda aproxima-se dela, mas o mais promissor é a pura aprendizagem sem professores e a sua implementação - o reforço da aprendizagem. No R até agora, existe apenas um pacote que permite implementar este método - o RNeat. Mas este nível só pode ser alcançado com uma excelente compreensão de todos os anteriores. Esta área está bem desenvolvida em Python. E integra-se perfeitamente no R.
Boa sorte.
Y Estou a ver. Em outras palavras, primeiro treinamos uma rede sem um professor. Depois escrevemos os pesos obtidos para os pesos do classificador e, em seguida, o classificador é treinado com um professor. Suponha que recebemos pesos de afinação guiados por neurónios, os pesos continuam a ser optimizados????? Em outras palavras, através da pré-aprendizagem sem professor, estabelecemos pesos iniciais para o classificador que o leva ao mínimo global. Ai é?
Você agarra-se rapidamente e não muito bem. Existem dois pacotes em R que implementam redes neurais profundas - deepnet e darch v.0.12. O primeiro é bastante simplificado, sem muitas configurações e características, mas permite que você tente avaliá-los. O segundo tem as mais amplas possibilidades de projetar e configurar uma rede neural, o usuário não treinado teria extrema dificuldade em usá-la. Mas tem as capacidades certas de aprendizagem profunda.
1. Pré-treinamento de uma rede associativa automática (SAE/SRBM) sobre a quantidade máxima possível de dados de entrada não etiquetados.
2. Transferência de pesos em camadas ocultas da rede neural e treino apenas da camada superior nos dados não colocados. O pacote permite que você especifique quais camadas você quer treinar.
3. ajuste fino de toda a rede com um pequeno número de épocas (2-3) e treinamento de baixo nível sobre uma pequena quantidade de dados marcados. Aqui é onde os exemplos em torno dos picos precisam ser aplicados.
Uma característica muito importante da implementação deste pacote é a possibilidade de pré-treinamento da rede neural.
Claro que é possível treinar rede sem pré-treinamento.
A rede é muito rápida, mas requer experiência e conhecimento.
Boa sorte.
Mihail Marchukajtes:
E deixa-me perguntar-te mais uma coisa: aprendizagem profunda. Quando recebemos os pesos dos neurónios na primeira fase. Nós escrevemos estes pesos numa camada oculta do classificador. E nós começamos a treinar o classificador por variável de saída. Se definirmos um valor difícil de pesos, então o que está sendo otimizado. Como é que é a afinação fina15 Você pode explicar????
======================================
Cada vez mais eu me pergunto: "Por que escrevo artigos nos quais tento moer, o melhor que posso, os conceitos básicos do tema"?
Já leu os meus artigos sobre Aprendizagem Profunda? Expliquei tudo no que acho que é bastante detalhado. Não há tempo para repetir o que foi escrito. Se há uma pergunta que não está coberta neles, estou disposto a respondê-la.
Boa sorte.