Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 617
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
A resposta à sua pergunta: classificação. Compra/venda/transferência de sinais.
Quanto às fotos, não está claro quais são as linhas.
Capturas de ecrã da plataforma de negociação MetaTrader
AUDUSD, H1, 2018.01.28
RoboForex (CY) Ltd, MetaTrader 5, Demonstração
Concordo, as fotos estão recortadas da tabela.
Sobre a classificação, isto pode ser aplicado na mesma rede neural?
O modelo tal como é entendido pelo público é um conjunto de parâmetros do conjunto de dados (colunas, variáveis) + conjunto de métodos matemáticos (funções) + resultado (chamada de função).
Eu entendo que estás a falar de conjunto de dados.
A duração do conjunto de dados afecta a qualidade e a velocidade da aprendizagem (linhas). A qualidade das previsões é influenciada pela qualidade dos parâmetros (colunas)
Não consigo perceber como lidar com o comprimento do conjunto de dados. No meu caso, um e o mesmo modelo pode ter 500 barras de comprimento, mas num dia pode ter 200 barras. Suponha que eu faça um script, que me dará conjuntos de dados para cada hora, mas eles terão uma duração diferente, como posso usá-los em uma rede neural? Penso que só o comprimento do modelo é também um parâmetro de qualidade para a rede neural...
https://charts.mql5.com/17/376/audusd-h1-roboforex-cy-ltd.png
Concordo, as fotos estão recortadas do gráfico.
Quanto à classificação, esta pode ser aplicada na mesma rede neural?
A partir das imagens não está claro quais são os dados? Onde está a previsão? O que significam as linhas verticais? Em geral, como eles dizem, não há nenhuma lenda no gráfico.
Basicamente sim, na estrutura do modelo de rede neural será necessário alterar a camada de saída (número de neurônios, função de ativação) e transformar os dados para treinamento em classes (por exemplo, sinais indicadores, incrementos de preço normalizados).
Das imagens não está claro que tipo de dados? Onde está a previsão? O que significam as linhas verticais? Em geral, como eles dizem, não há nenhuma lenda no gráfico.
Basicamente sim, na estrutura do modelo de rede neural será necessário alterar a camada de saída (número de neurônios, função de ativação) e transformar os dados para treinamento em classes (por exemplo, sinais indicadores, incrementos de preço normalizados).
De acordo com a imagem, as linhas verticais mostram o modelo em si, tudo depois da vertical direita para a frente. Assim, o avançado comporta-se de forma diferente e, com a ajuda de uma rede neural, quero encontrar uma possível explicação para o comportamento do avançado. Eu quero usar dados para neuronet para preços incrementais do modelo.
Não consigo perceber como lidar com o comprimento do conjunto de dados. No meu caso, um e o mesmo modelo pode ter 500 barras de comprimento, mas num dia pode ter 200 barras. Suponha que eu faça um script, que me dará conjuntos de dados para cada hora, mas eles terão uma duração diferente, como posso usá-los em uma rede neural? Penso que só o comprimento do modelo é também um indicador qualitativo para a rede neural.
O seu conjunto de dados é uma tabela onde colunas, por exemplo, são preços de abertura/fecho e linhas são momentos de tempo, barras.
Em uma arquitetura de rede neural elementar, ele insere uma linha após a outra e, para cada linha, deve emitir um resultado que, após compará-la com um benchmark, a função de otimização irá "treinar" a rede neural.
Se você alimentá-lo com várias cordas ao mesmo tempo, é uma série temporal, o que significa que deve ser alimentado de acordo com um determinado algoritmo.
Devo acrescentar: artigos de estudo sobre o assunto, acho que muitas perguntas se tornarão mais claras.De acordo com a imagem, as linhas verticais mostram o modelo em si, tudo depois da vertical direita para a frente. Assim, o avançado comporta-se de forma diferente e, com a ajuda de uma rede neural, quero encontrar uma possível explicação para o comportamento do avançado. Eu quero usar dados para o neurônio para o aumento de preço do modelo.
Eu comecei a escrever um artigo para o comércio de pares... mas fiquei preso por causa da minha preguiça e falta de compreensão de como fazê-lo corretamente :)
O seu conjunto de dados é uma tabela, onde colunas, por exemplo, são preços de abertura/fecho, e linhas são momentos de tempo, barras.
Em uma arquitetura de rede neural rudimentar, ele insere uma linha após a outra e, para cada linha, deve produzir um resultado que, comparando com o benchmark, a função de otimização "treinará" a rede neural.
Se você alimentar várias cordas ao mesmo tempo, é uma série temporal, o que significa que você deve alimentá-la de acordo com um determinado algoritmo.
Perdoem-me por ser grosseiro, o meu conhecimento da rede neural é provavelmente demasiado superficial. Assim, por exemplo, eu tenho uma sequência de preços para 100 barras e para 5 barras. A entrada da rede neural é 100 e a saída é 5 barras. Mas agora a próxima seleção uma hora antes tem uma seqüência, por exemplo, de 200 barras e avançar também 5 barras. a terceira seleção uma hora antes tem 250 na entrada e 5 na saída. como fazer uma rede neural desse tipo? Em todos os lugares há exemplos que descrevem que os dados de entrada estão na mesma quantidade.
Comecei a escrever um artigo para dupla negociação... mas fiquei preso à minha preguiça e ao meu mal-entendido de como fazê-lo bem :)
Saudações, não estou usando o método de emparelhamento, embora eu tenha vindo a conhecer o método de emparelhamento. Para hoje eu uso a negociação de portfólios, e apenas porque eu crio um portfólio para a minha fase conveniente (modelo) a qualquer momento. E quando notei que as séries do portfólio são semelhantes a qualquer série do mercado, decidi encontrar possíveis regularidades para conjuntos idênticos (visualmente idênticos) usando neurônio.
Maxim, estás a gerir as tuas redes neuronais em monopair, não estás? Você já pensou que pode criar uma fila conveniente, que pode então se mostrar melhor na frente? Afinal de contas, digamos que uma figura de ombros de cabeça, por exemplo, não ocorre com muita frequência, mas imagine que você pode fazer isso a cada hora...
Perdoem-me por ser grosseiro, o meu conhecimento da rede neural é provavelmente demasiado superficial. Assim, por exemplo, eu tenho uma sequência de preços para 100 barras e para 5 barras. A entrada da rede neural é 100 e a saída é 5 barras. Mas agora a próxima seleção uma hora antes tem uma seqüência, por exemplo, de 200 barras e avançar também 5 barras. a terceira seleção uma hora antes tem 250 na entrada e 5 na saída. como fazer uma rede neural desse tipo? Em todos os lugares há exemplos que descrevem que os dados de entrada são os mesmos.