Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 353

 
Yuriy Asaulenko:
Se falamos de minutos o mercado é estatisticamente homogêneo, ou seja, as estatísticas mudam pouco (estável) de semana para semana, de mês para mês. Não sei, ainda não estudei a questão em prazos mais longos. Tanto quanto me lembro, estás a trabalhar em 1 minuto.


15 min é o tempo de base, ou OHLC por 1 min, mas ainda é 15 min. Eu gostaria de usar carrapatos mas é muito lento, o testador está sendo escrito em C++ e pode ser terminado muito mais rápido

Em princípio, se você muitas vezes otimiza demais em pequenos períodos, você pode fazê-lo nos minutos. Não é o Graal, claro, mas podes ganhar alguma coisa.


 
Alguém já tentou implementar o Q learning ou outros algoritmos de reforço? Talvez haja alguns que os conheçam? Estou interessado em estatísticas, como eles lidam bem com a tarefa de gestão de depósitos? Encontrei alguns artigos sobre este assunto, mas as suas conclusões são bastante vagas e ambíguas.
 
Como prometido, publiquei no blog um pequeno relatório sobre a tarefa de NA de reconhecer a travessia de MA - NEUROSETS AND MOVING AVERAGE
 
Yuriy Asaulenko:
Como prometido, publiquei no meu blog um breve relatório sobre a tarefa de reconhecimento da MA crossover NS - NEUROSETS AND MOVING AVERAGE

Nas notícias, artigos, etc. eles falam sobre as conquistas das redes neurais, por exemplo, que eles podem distinguir gatinhos de filhotes de cachorro, etc. Mas são obviamente redes comerciais ou experimentais muito caras, que os comerciantes comuns não podem pagar e não podem desenvolver.

Os NS disponíveis para nós (por exemplo, de R ou ALGLIB) podem distinguir coisas primitivas como triângulos, quadrados e círculos uns dos outros? Tal como nos jogos de aprendizagem para crianças de 2-3 anos de idade.

Parece-me que os materiais sobre este tópico podem ser organizados num novo ramo https://www.mql5.com/ru/forum/192779 para que (se houver um resultado e uma oportunidade de repetir a experiência) se possa encontrá-lo e repeti-lo, e aqui em 350 páginas já é difícil encontrar algo...
Насколько доступные трейдерам нейросети умны?
Насколько доступные трейдерам нейросети умны?
  • 2017.05.16
  • www.mql5.com
В новостях, статьях и т.д. говорят о достижениях нейросетей, например, что они котят от щенят отличают и т.д. Но очевидно там оч...
 
elibrarius:

As notícias, artigos, etc. falam sobre as realizações das redes neurais, por exemplo, que podem distinguir os gatinhos dos cachorros, etc. Mas aparentemente são redes comerciais ou experimentais muito caras, que os comerciantes comuns não podem pagar ou desenvolver.

E NS (por exemplo de R ou ALGLIB) pode distinguir coisas primitivas, como triângulos, quadrados e círculos uns dos outros? Tal como nos jogos educativos para crianças de 2-3 anos de idade.

Bem e absolutamente difícil variante - números volumétricos...

Eu não sei sobre Alglib, mas você pode fazer isso em R, você precisa de uma matriz de entrada de cerca de 16x16. São 256 neurónios por entrada). Bem, talvez um pouco menos. Você pode encontrar implementações prontas para um problema similar na web.

Você pode fazê-lo com rotação também, mas o NS será mais profundo e mais complicado. Pessoalmente, vou passar)).

Embora, para a construção do TC, eu não vejo a aplicação dos seus problemas nesta forma.

 
Yuriy Asaulenko:

Embora, para a construção do TC, não vejo a aplicação das suas tarefas particulares neste formulário.

Eu só quero ter certeza de que as redes disponíveis para nós podem lidar com tarefas simples antes de aplicá-las em tarefas de negociação mais complexas.
 
elibrarius:
Eu só quero ter certeza de que as redes disponíveis para nós podem lidar com tarefas simples antes de aplicá-las em tarefas de negociação mais complexas.
Depois de experimentar com MA, nesta fase, vejo que o principal problema na aplicação de NS no TS é a preparação dos dados alimentados às entradas de NS. Dados brutos são provavelmente não comestíveis para a maioria dos NS.
 
elibrarius:
Eu só quero ter certeza de que as redes disponíveis para nós podem lidar com tarefas simples antes de aplicá-las em tarefas de negociação mais complexas.

Os quadrados e círculos podem ser facilmente reconhecidos com o clássico MLP sem qualquer problema, se você for um pouco mais fundo no assunto, você vai encontrar a clássica tarefa de reconhecimento de dígitos escritos à mão MNIST, lá MLP comum é uma brisa a 97%, depois com um ranger mais meio por cento, e então a dança com pandeiro começa. Na verdade, tal padrão situacional é reconhecido em muitas tarefas no ML, geralmente a batalha não é para resultados suficientes, e para 3-5 casas decimais em um parêntese.

 
Yuriy Asaulenko:
Após experiências com MA, nesta fase, vejo o principal problema do uso de NS em TS na preparação de dados alimentados a NS inputs. Dados brutos são provavelmente não comestíveis para a maioria dos NS.

Este ramo foi iniciado principalmente para tratar desta questão. Mas é muito mais útil ter a certeza, a partir da sua própria experiência, da importância desta questão. Você está no início de uma jornada difícil, mas interessante.

Boa sorte.

PS. Em R, e através dele Python, todas as redes neurais mais sofisticadas atualmente conhecidas estão disponíveis. Você só precisa aprender a usá-los.

 
SanSanych Fomenko:


Sim, e que se lixe.

Estupidamente, pegue a coisa mais simples, uma floresta aleatória. Normalmente temos aulas como resultado do treino. Na realidade, o algoritmo dá a probabilidade da classe, da qual obtemos a classe. Normalmente dividimos a probabilidade ao meio para duas classes.

Que tal dividir em classes: 0 - 0.1 é uma classe e 0.9 - 1.0 é outra classe? E a diferença entre 0,1 - 0,9 está fora do mercado?

Foi o que eu vi no artigo.

Isto é resolvido de forma mais correcta e elegante nocalibre::CORELearn/.

E já o é há algum tempo.

Boa sorte.