Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 549
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
Aqui está outro exemplo de profeta, mas para R (python nunca funcionou para mim)
acho que se você transformar dados em vez de citações, ele vai prever melhor do que umarima
e comparar com arima por interesse
https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
aqui está outro grande trabalho de pesquisa:
https://msperlin.github.io/pafdR/research-scripts.html
Aqui está outro exemplo de profeta, mas para R (python nunca funcionou para mim)
acho que se você transformar dados em vez de citações, ele vai prever melhor do que umarima
e comparar com arima por interesse
https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
Deve ser testado no arco. Às vezes há séries temporais sem efeito de arco, mas se está presente, então precisa de garfo, e é necessário pegar um certo (há muitos deles) e então é muito útil para modelar a distribuição.
Abaixo estão dois trechos do meu artigo que estou terminando. Não há necessidade de perder o seu tempo reinventando a bicicleta. Não o fará melhor do que os profissionais. Python e R já estão maravilhosamente integrados. Basta usar.
"Usando a biblioteca TensorFlow".
O campo emergente das redes neurais profundas foi recentemente enriquecido por uma série de bibliotecas de código aberto. O amplamente anunciadoTensorFlow(Google),CNTK(Microsoft),Apache MXNet e muitos outros. Devido ao facto de todos estes e outros grandes desenvolvedores de software fazerem parte do Consórcio R, é fornecida uma API para R para todas estas bibliotecas.
Todas as bibliotecas acima são de nível muito baixo. Para os iniciantes aprenderem esta área, eles são difíceis de digerir. Com isto em mente, a equipa da Rstudio desenvolveu o pacote dekeras para o R.
Keras é um API de rede neural de alto nível, projetado com o foco em ser capaz de experimentar rapidamente. A capacidade de ir da ideia ao resultado com o menor atraso possível é a chave para fazer uma boa pesquisa. Keras tem as seguintes características principais:
Basta instalar e baixar o pacote keras R e então executar a função keras :: install_keras (), que instala TensorFlow, Python e o que mais você precisar, incluindo ambientesVirtualenv ouConda. Simplesmente funciona! Para instruções sobre a instalação de Keras e TensorFLow em GPUs, veja.Toma. Vejao artigo para mais detalhes".
"O pacote de tfruns é para experimentar com o TensorFlow. O pacotetfruns fornece um conjunto de ferramentas para controlar o treinamento e experimentos do TensorFlow da R:
O TensorBoard proporciona a melhor visualização do processo e dos resultados do treinamento DNN.
E, claro, os conhecedores de aprendizagem profunda podem trabalhar diretamente com a biblioteca de baixo nível TensorFlow usando o pacote tensorflow.
Todos esses pacotes são baseados na interface básica -reticulada- R para módulos, funções e classes Python. Quando chamados em Python, os tipos de dados R são automaticamente convertidos para seus tipos Python equivalentes. Quando valores são devolvidos de Python para R, eles são convertidos de volta para tipos R. Digno de um estudo cuidadoso.
Todos estes pacotes estão bem documentados, o que não é surpreendente dada a classe desenvolvedora, fornecidos com toneladas de exemplos, e estão em constante evolução. Assim temos uma oportunidade única de utilizar em especialistas e indicadores os mais avançados e avançados modelos de aprendizagem profunda (DNN, RNN, CNN, LSTM, VAE, etc.), aprendizagem de reforço (RL) e muitos outros desenvolvimentos da Python no campo da aprendizagem de máquinas, se você tiver conhecimentos e experiência suficientes".
Boa sorte.
ao mesmo tempo, a complexidade das estratégias e a quantidade de trabalho torna-se demasiado para 1 pessoa que não está profissionalmente envolvida no satanismo da data :) embora isto possa ser apenas à primeira vista
Está quase a terminar a integração do Python e do MT. Tive de escrever uma DLL adicional. Ainda há algumas pequenas coisas. Acabe o mqh e escreva o doutor. A biblioteca não tem muitas características, mas é o suficiente. É possível carregar e executar um script Python. E também chamar qualquer função a partir dele. Funcionará com listas, mas apenas com uma dimensão e homogênea. Ou seja, uma matriz MQL é convertida em uma lista e volta.
Mas o tutorial em R é bom... desde o básico e modelos lineares ao profeta Garch e Facebook...(não é por nada que eu carrego profeta aqui, pois desperta interesse em certos círculos e é mega fácil de usar) quase o mesmo que para python, mas em mais detalhes, de R professor
em geral, é lógico, claro, passar da econometria para as redes neurais, e não vice-versa, ou seja, estudar o que você já tem (se você não estudou na universidade), que teria algo em que pensar, e depois afundar nas grades
E, em geral, note que as redes neurais em econometria se destacam e não são o assunto principal (ainda)
https://msperlin.github.io/pafdR/
Em geral, é lógico, naturalmente, passar da econometria às redes neurais, e não vice-versa, ou seja, estudar algo que já existe (se você não o estudou na universidade), ter algo em que pensar, e depois ficar preso em redes
E, em geral, note que as redes neurais em econometria se destacam e não são o assunto principal (ainda)
https://msperlin.github.io/pafdR/
Alguns anos atrás eu estava interessado no Matlab e ao contrário das minhas idéias sobre as ferramentas da econometria, havia na caixa de ferramentas modelos de GARCH sob o nome "Econometria".
Acabei a fazer-me a mim. O que mais me surpreendeu foram as publicações muito pobres sobre a aplicação do MO aos mercados financeiros.
Ultimamente tenho voltado ao GARCH e fiquei surpreendido com a abundância de publicações sobre a aplicação do GARCH nos mercados financeiros: bolsas de valores, índices, futuros, pares de moedas. É só uma explosão.
Então talvez o Matlab esteja certo? Talvez todos os instrumentos IO, incluindo NS, sejam ferramentas de terceiros para os mercados financeiros?
Então talvez o Matlab esteja certo? Talvez todas as ferramentas IO, incluindo NS, sejam ferramentas de terceiros para os mercados financeiros?
Bem, sim, eles não são modelos econométricos prontos, mas apenas um conjunto de ferramentas universais para todas as áreas.
A econometria não paramétrica é apenas uma questão de RI e lógica difusa, mas eu não tenho visto algumas coisas claras, talvez porque algumas abordagens comuns ainda não foram trabalhadas. Eu não sei como funciona :).