Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 468
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
Já me disseram muitas vezes, e é sempre a mesma coisa, é sempre rápido.
Eu sempre digo aos meus clientes, não há conselheiros rápidos, é um trabalho duro:
1 você precisa formalizar o seu TS e criar uma especificação de requisitos
2 traduzi-lo em código compreensível para a máquina
3 verificação de erros na execução da lógica
4 verificação de erros de execução na negociação
5 fazer alterações adicionais de acordo com os erros identificados na lógica e execução
6 para testá-lo no testador e nos dados reais
7 para completar o Expert Advisor com as funções que ele precisa para trabalhar na conta real
etc.
A função do programador é apenas (2,5) traduzir seus termos de referência para o idioma da máquina e, se você encontrar alguma inconsistência em seu trabalho com seus termos de referência, corrigir os erros, neste ponto, o trabalho do programador é feito; seu Expert Advisor está trabalhando de acordo com seus termos de referência.
Todo o resto é seu trabalho para criar, verificar e melhorar (atualizar) seu EA.
Com os melhores cumprimentos.
P.S. a criação de uma EA lucrativa pode levar até meio ano ou até mais, se você realmente precisar dela.
O que você realmente precisa é de uma abertura mais confiável e mais próxima, levaria meio ano para fazer isso????? Então não estás à nossa altura...
Na vida real será um n...)))
Desculpe, Teacher))))
Isso é discutível... Trapaceiro. Porque nenhum dado é realmente alimentado para a entrada e é essencialmente o trabalho dos próprios coeficientes polinomiais..... E acho que a presença de dados de entrada só vai melhorar a equidade. Bem, faz.... IMHO!!!!
O que você realmente precisa é de uma abertura mais confiável e mais próxima, levaria meio ano para fazer isso????? Então você não é adequado para nós...
MySQL: Não é minha tarefa construir uma EA rentável, é sua tarefa fazer os pontos 2 e 5.
Ele escreve este disparate há 14 anos))))
Com todo o respeito.
Idiotas, tudo feito há muito tempo, só precisam de um abridor confiável com tratamento de erros de servidor..... Eu sou hilariante.... :-)
Idiotas, tudo feito há muito tempo, só precisam de um abridor confiável com manipulação de erros de servidor..... Eu sou hilariante.... :-)
Com os melhores cumprimentos.
P.S. não se esqueça de especificar um tempo de execução de 2 horas, de acordo com o seu trabalho lá por 5 minutos, portanto, se o programador será um polegar para escrever e que terá tempo.
Se você comparar as previsões no artigo e estas, você pode ver que as tendências previstas coincidem perfeitamente em ambos os modelos, mas no artigo o modelo é muito melhor em pegar picos acentuados. E a arima - com picos de preços como a sorte o quereria, e esses "azares" causarão os maiores empates. Além disso, nas propriedades do modelo você pode ver que a sazonalidade não é usada. Até agora o artigo está a ganhar :(
Eu ainda preciso de muita intuição de Arima para definir corretamente os limites de busca ar,i,ma coeficientes e fazer o modelo procurar por parâmetros sazonais.
Discutir arima sem analisar os resíduos na ARCH é um exercício completamente vazio. Há algumas séries que têm um resíduo estacionário após uma simulação de arima. Mas discutir o erro de previsão partindo do princípio de que é estacionário não é grave. Esse resíduo é extremamente facetado.
Eu também fiz um pequeno ajuste no exemplo do Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
A sazonalidade não funcionou porque o período de dados foi definido como 1, o que fez com que o auto.arima desabilitasse automaticamente a sazonalidade. Eu defino o período no código para 48 (dia no período atual da H12), como no artigo.
Também é possível usar a função findfrequency() do pacote de previsão para determinar o período automaticamente, para estes dados a função retorna 24.
Funcionou melhor assim, o modelo atinge picos em valores e prevê aumentos em valores muito melhores.
arima train r^2: 0,516988
arima test r^2: 0,5346457
teste de arima dif r^2: 0,8407468
precisão do teste de arima dif: 0,8288288
Mas isto está longe de ser o ideal, as previsões do artigo são muito mais precisas. Parece que a razão é que os dados têm vários períodos (24, 48, 336 - meio dia, um dia, uma semana), e mesmo com a sazonalidade arima não pode atingir os três períodos ao mesmo tempo.
Procurei se é possível ensinar R Arima com várias sazonalidades, parece que não é, então não há como fazer melhores previsões. Agora eu entendo porque o artigo tem tantas dificuldades, com cada modelo o autor está tentando pegar diferentes períodos de flutuação de valores.
OOO E aqui está o nosso amado Trickster!!!! Bem, estou cheio de poo???? Aqui está uma desculpa para os atirar por aí....
Sobre se o optimizador Reshetova está ou não a ser reequipado. Aqui está uma imagem de tela que eu postei ontem em um dos grupos de Forex..... Azul indica o período de optimização, verde os contratos de futuros. Mas não há possibilidade de submeter os dados e acontece que desde o início do ano funcionou bem.... E dizes reciclagem, só precisas de ser capaz de treinar....
Agora o que vai dizer sobre overtraining????
No mercado, qualquer classificador é requalificado porque o mercado não está estacionário. Se quisermos evitar o excesso de formação, temos de ensinar os NS para toda a história. Caso contrário, o ciclo do mercado mudará sempre e o modelo correrá mal. É por isso que a única abordagem correta é o treinamento excessivo ou a reciclagem no processo de negociação :) Nós não acreditamos em bobinas, que dão 1000% mensalmente em um histórico de 15 anos sem qualquer intervenção.
Em geral eu ainda não vejo a linha - o que NS super-treinado significa em forex. É quando não ganha com uma amostra de teste? Não, não, não... não, não, não... é sobre a não-estacionariedade. Quanto à estratégia, não há qualquer efeito sobre a sua rentabilidade.
Eu também fiz um pequeno ajuste no exemplo do Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
A sazonalidade não funcionou porque o período de dados foi definido como 1, o que fez com que o auto.arima desabilitasse automaticamente a sazonalidade. Eu defino o período no código para 48 (dia no período atual da H12), como no artigo.
Também é possível usar a função findfrequency() do pacote de previsão para determinar o período automaticamente, para estes dados a função retorna 24.
Funcionou melhor assim, o modelo entra em saltos acentuados de valores e prevê aumentos de valores muito melhores.
arima train r^2: 0,516988
arima test r^2: 0,5346457
teste de arima dif r^2: 0,8407468
precisão do teste de arima dif: 0,8288288
Mas isto está longe de ser o ideal, as previsões do artigo são muito mais precisas. Parece que a razão é que os dados têm vários períodos (24, 48, 336 - meio dia, um dia, uma semana), mas mesmo com a sazonalidade arima não pode chegar a três períodos ao mesmo tempo.
Procurei se é possível ensinar R Arima com várias sazonalidades, parece que não é, então não há como fazer melhores previsões. Agora entendo porque o artigo tem tantas dificuldades, com cada modelo o autor está tentando pegar diferentes períodos de oscilação de valores.
Você poderia publicar o relatório sobre o ajuste com parâmetros?