Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 509

[pantural]

Aleksey Terentev:
Rede [64 GRU + 32 GRU + 2 Densa] em um problema de classificação por OHLC -> Modelo Compra/Venda (7000 bar) em ~24 treinos dão 0,9 - 0,8 precisão. E tudo isto em cerca de 30 segundos.

O que há nos sinais e saídas?

[Aleksey Terentev]

pantural:
O que há nos sinais e saídas?

"OpenHighLowClose -> Buy/Sell"

update: sinal de compra/venda já publicado neste tópico.

[Aleksey Terentev]

elibrarius:
Como são estes resultados na negociação? Qual é o crescimento do depósito em % por mês/ano? Se você treinar não por 7000 bares, mas por 100000?

Eu ainda não comecei a negociar. Eu estou ocupado com a automação.

Também a selecção do modelo de rede neural é bastante sensível. É preciso levar em conta o tipo de funções de ativação nas camadas, a função de erro, o método de treinamento e o pré-treinamento de saída correto, assim como um monte de outras nuances de MO. Todo o treinamento pode reduzir cada sinal muito rapidamente a 0 na faixa de [-1;1].

É por isso que não tenho pressa em partilhar os resultados.

[Vizard_]

Grigoriy Chaunin:

Eu preciso de uma fórmula de normalização L2. Não consigo encontrá-lo. Alguém pode ajudar.

https://www.mathworks.com/matlabcentral/answers/65580-what-mean-l2-norm
https://www.tensorflow.org/api_docs/python/tf/nn/l2_normalize
https://rorasa.wordpress.com/2012/05/13/l0-norm-l1-norm-l2-norm-l-infinity-norm/

[Grigoriy Chaunin]

Obrigado. Exatamente o que você precisa.

[Maxim Dmitrievsky]

Quem entende R? O primeiro exemplo com o download de citações viaquantmod tem um problema, eu não posso desenhar as citações resultantes

getSymbols("AAPL", src = "google")
plot(AAPL[, "AAPL.Close"], main = "AAPL")

//
[1] "AAPL"
> plot(AAPL[, "AAPL.Close"], main = "AAPL")
Error in if (on == "years") { : missing value where TRUE/FALSE needed

https://www.r-bloggers.com/an-introduction-to-stock-market-data-analysis-with-r-part-1/

[Dr. Trader]

Maxim Dmitrievsky:

Quem entende R? Eu tenho um problema no primeiro exemplo com o carregamento de citações viaquantmod, não posso desenhar as citações resultantes

Eu executei o código do artigo, tudo funcionou desde a primeira vez.
Versão R 3.4.2, mas eu acho que não importa muito.

[Dr. Trader]

Sabe-se que, para treinar um modelo de classificação, deve-se equilibrar o número de aulas para que o número de exemplos de treinamento da classe "1" coincida com o número de exemplos de treinamento da classe "2" (e remover exemplos desnecessários).

Eu vejo um requisito semelhante para modelos de regressão, mas é mais complicado - o número de exemplos com o alvo de 0,001 deve ser igual ao número de exemplos com alvo de -0,001,
o número de exemplos com alvo de 0,002 deve ser igual ao número de exemplos com alvo de -0,002, etc.

Aqui está um guião para fazer este equilíbrio...

#Подготовка  таблички для обучения модели, тут рандомные значения
#таргет  в колонке 11
trainTable <- cbind(matrix(runif(10000), nrow = 1000, ncol=10), 
                    round(sample(c(-runif(480)*runif(480), runif(520)*runif(520))*0.1), 3))#рандомные  значения для таргета, 3 знака после запятой.
                                                                                           #Позитивных значений на 40 больше чем негативных имитируя тренд в исходных ценах.


#Требуется  взять для обучения модели только такие строки таблицы когда число позитивных и негативных значений будет равно и отбалансировано по уровням

target <- trainTable[,11]
target <- round(target, 3) #округление  до определённой точности, тут 3 знака после запятой
targetFactor <- factor(target)
targetFactorLevels <- as.numeric(levels(targetFactor))
balancedIndexes <- c()
for(i in 1:length(targetFactorLevels)){
  idx <- which(target == targetFactorLevels[i])
  idxN <- which(target == -targetFactorLevels[i])
  minLength <- min(length(idx), length(idxN))
  balancedIndexes <- c(balancedIndexes, tail(idx, minLength), tail(idxN, minLength))
}
balancedIndexes <- sort(unique(balancedIndexes))

trainTableBalanced <- trainTable[balancedIndexes, ] #новая табличка на которой можно обучать модель

[СанСаныч Фоменко]

Quando é que as previsões das ondas são úteis?

Quando os dados mostram alta volatilidade e lacunas, o que é típico na maioria das séries temporais financeiras de alta frequência, a previsão se torna ainda mais desafiadora. Utilizando dados de taxas de câmbio de alta freqüência, mostramos que wavelets que são robustos à alta volatilidade e gaps são preditores úteis em aplicações de alta freqüência onde a alta volatilidade é a característica dominante que afeta as estimativas de avaliação, previsões de zona ou ambas. Os resultados indicam que a decomposição das séries temporais em componentes homogêneos, que depois são utilizados em modelos de previsão de séries temporais, é muito importante. Os diferentes componentes tornam-se mais úteis do que outros para diferentes dados associados ao regime de volatilidade. Consideramos uma ampla gama de modelos de séries temporais lineares e não lineares para prever as séries de alta frequência de apreciação da taxa de câmbio. Nossos resultados indicam que quando os dados apresentam características não padronizadas com alta volatilidade, os modelos não lineares superam as alternativas lineares. Entretanto, quando os dados estão nas faixas de baixa volatilidade tanto para estimativas quanto para previsões, modelos auto-regressivos lineares simples prevalecem, embora seja necessário um esforço considerável para remover ruído nos dados através de wavelets.

[Forester]

Dr. Trader:

Existe a ideia de que, para treinar um modelo de classificação, o número de aulas deve ser equilibrado de modo a que o número de exemplos de treino com a classe "1" coincida com o número de exemplos de treino com a classe "2" (e remover exemplos desnecessários).

Vejo requisitos semelhantes para modelos de regressão, mas é mais complicado - o número de exemplos com nível "0,001" deve ser igual ao número de exemplos de treino com nível "-0,001",
o número de exemplos com o alvo 0,002 deve ser igual ao número de exemplos com o alvo -0,002, etc.

Aqui está um guião para fazer este equilíbrio

O que significa essencialmente?
Se o dólar estava crescendo (estava em tendência) por alguns meses, então, ao suavizar a quantidade de exemplos de treinamento, mostraremos NS como se estivesse estável durante todo esse tempo. E, consequentemente, aprenderá a ser plana. Está correcto? Talvez, ainda devêssemos ensiná-lo a ter tendência?