Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 614
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
É possível começar a aprender exactamente como se negoceia? Afinal, o risco de eu perder a minha conta, da qual não tenho dúvidas, é muito alto.
Mas Micha prometeu vencer Java, por isso vai estar a brilhar em breve.
Tenho visto frequentemente nos EAs do Mercado que os bons parâmetros de negociação formam um patamar na função de optimização. Se por exemplo houver MA ou RSI nos parâmetros, ou algum coeficiente, então a alteração do parâmetro por um pequeno valor não afetou o resultado final.
Mas é lógico, a maioria dos parâmetros utilizados na fórmula para calcular o indicador, por isso uma pequena alteração apenas afectará ligeiramente o resultado, que continuará a ser calculado sobre os mesmos preços.
E na aprendizagem mecânica, pelo contrário - os parâmetros podem ter um efeito avalanche em todo o curso da aprendizagem, e mesmo uma ligeira mudança leva a um resultado completamente diferente. Por exemplo, o número de neurónios numa camada oculta - se os aumentarmos, o número de pesos usados também irá aumentar, e a função de inicializar os pesos usando gpsc irá definir os seus valores numa ordem ligeiramente diferente, o que levará a outro resultado.
A alteração de alguns parâmetros também desenhará um patamar na função de otimização. Para cada parâmetro você pode estudar suavemente ou estocasticamente influenciar a avaliação resultante do modelo, e para influenciar suavemente os parâmetros você pode usar adicionalmente um otimizador baseado em derivadas (função optim(method="L-BFGS-B") e otimizar() em R)
Não é um mercado, não é um mercado de todo - é uma estatística com uma série de testes sobre a estabilidade dos rácios. O mais famoso é o CUSUM.
Então talvez a monstruosa dependência do resultado dos parâmetros da rede dada por você indique que eles NÃO são fundamentalmente adequados para os mercados financeiros?
Ou talvez seja preciso primeiro construir algo adequado ao propósito (um trator - aqui está na moda, ou um foguete), e depois discutir sobre a estabilidade do que você obtém?
Mas de qualquer forma: ou temos provas de estabilidade do modelo ou não é de todo necessário. Erro de modelo e estabilidade do modelo são dois lados da mesma moeda.
Porque não o Python? Talvez o mesmo R? Eu não entendo.
De facto. Como você tem um desejo tão grande de conhecimento, você pega uma classificação e estuda o que parece caber do topo.
O modelo da Reshetov não é uma referência. Por exemplo, ele procura um conjunto de preditores tentando diferentes opções - o modelo pega um conjunto aleatório de preditores, aprende, e se lembra do resultado. Isto é repetido um grande número de vezes num loop, sendo o melhor resultado utilizado como modelo final. Este processo pode ser acelerado visivelmente se você primeiro fizer uma seleção de preditores com um algoritmo especial, e depois treinar o modelo Reshetov apenas uma vez nesse conjunto em particular. E você obtém a qualidade do modelo Reshetov a uma velocidade comparável à do AWS. O "custo" de tal modelo cairá visivelmente, mas a qualidade permanecerá no mesmo nível.
Que tipo de algaritmo é este? Em geral, concordo com a afirmação, preço e qualidade são coisas ligeiramente diferentes. Você pode conseguir um modelo barato, mas de alta qualidade. O verdadeiro problema de Reshetov é que ele leva muito tempo para calcular devido à divisão repetida da amostra ao acaso, etc.
Mais uma vez, quais são esses algoritmos que podem dizer imediatamente qual é o preditor irrelevante? Ele tem alguma forma de a implementar, mas ainda não olhei para ela.... De facto, ele define-o através de invariantes, o que é logicamente bastante real, mas penso que há erros na mesma :-( em vez de erros, penso que não há correcções...
Se usarmos 2 camadas escondidas, então obviamente a 2ª camada é muito menor em número de neurónios do que a 1ª camada.
Qual é o mínimo para o número de neurônios em uma camada? Acho que não faz sentido fazer com que seja menos de 3-5.
Ou camada com 1 - 2 neurónios também pode dar uma contribuição significativa para o modelo?
Se usarmos 2 camadas escondidas, então obviamente a 2ª camada é muito menor em número de neurónios do que a 1ª camada.
Qual é o mínimo para o número de neurônios em uma camada? Acho que não faz sentido fazer com que seja menos de 3-5.
Ou camada com 1 - 2 neurónios também pode dar uma contribuição significativa para o modelo?
Da prática - 1 neurônio com 3 entradas pode entalhar sinais normais durante 1-1,5 meses em gráficos de 15 minutos e cerca de 200 tráfegos, se tirarmos uma amostra maior, então a qualidade de enfiamento cai drasticamente e o número de tráfegos também, não há combinações suficientes. Ou seja, desde que o sistema se mantenha estacionário e os sinais se repitam, 1 neurônio seria suficiente.
o mesmo com lógica difusa em 3 entradas aproximadamente, e com otimização de 4 funções de adesãoMais uma vez, que tipo de algoritmos existem? que podem dizer, num relance, qual o preditor que é irrelevante.
Há muitos algoritmos, mesmo mais do que se gostaria. Por exemplo...
Artigo de Vladimir -https://www.mql5.com/ru/articles/2029
Artigo de Alexey -https://habrahabr.ru/company/aligntechnology/blog/303750/
Para aqueles que gostam de carregar o processador com todo o tipo de coisas ao modelar, aqui está uma forma de reduzir drasticamente o tempo.
As simulações paralelas na nuvem valem a pena? Benchmarking do meu MBP vs minha Estação de Trabalho vs EC2 da Amazon
Para aqueles que gostam de carregar o processador com todo o tipo de coisas ao modelar, aqui está uma forma de reduzir drasticamente o tempo.
As simulações paralelas na nuvem valem a pena? Benchmarking do meu MBP vs minha Estação de Trabalho vs EC2 da Amazon
C Dll e um pedido para instalar mt5, R e os pacotes certos - aparentemente é irrealista chegar lá.