Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1035
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
Estava a responder à pergunta "porque precisamos da Spark?"
Você estava provando a necessidade do sistema de outra pessoa, mas você não podia mostrar o que podia pessoalmente com sua biblioteca e responder minha pergunta específica, e há uma tarefa de habilidades de nível básico. https://www.mql5.com/ru/forum/86386/page1033#comment_8211170
Na verdade, o padrão contém sinais de uma estratégia simples de cruzamento de médias móveis - EMA 9 e EMA 14, ligeiramente barulhentas, para aumentar a rentabilidade).
Estou postando o modelo de resposta completa - soluções com sinais iniciais, sobreposição de indicadores e execução visual no testador de um dos EAs treinados com os sinais acima.
Estou colocando EA_EURUSD_H1_NN - baseado na rede neural, EA_EURUSD_H1_RF - em florestas aleatórias,
Os Expert Advisors são testados no servidor EURUSD H1 MetaQuotes-Demo, os gráficos de teste apropriados são mostrados abaixo.
...neuronete
...florestas aleatórias
Em ambos os gráficos há um período de treinamento, ou seja, o período de sinais de treinamento, veja o padrão.
Você estava provando a necessidade do sistema de outra pessoa, mas para mostrar o que você pode pessoalmente com sua biblioteca e responder minha pergunta específica, e há uma tarefa para skils de nível de entrada. https://www.mql5.com/ru/forum/86386/page1033#comment_8211170
Na verdade, o padrão contém sinais de estratégia simples de cruzamento de médias móveis - EMA 9 e EMA 14, ligeiramente barulhentas, para aumentar a rentabilidade).
Estou colando o modelo completo da resposta - solução com sinais iniciais, indicadores de sobreposição e execução visual no testador de um dos Expert Advisor treinado nos sinais acima.
Estou colando EA_EURUSD_H1_NN - baseado em rede neural, EA_EURUSD_H1_RF - em florestas aleatórias,
Os conselheiros são testados no servidor EURUSD H1 MetaQuotes-Demo, abaixo estão os gráficos de teste correspondentes.
...neuronete
...florestas aleatórias
Em ambos os gráficos o período de treinamento é marcado, ou seja, o período em que há um sinal de treinamento, veja o padrão.
NN é essa a tua grelha secreta?
e as características são exactamente as mesmas?
NN é essa a tua grelha secreta? as diferenças são grandes.
e as características são exactamente as mesmas?
Sim, mas a questão é diferente - vamos concordar em formatos e trocar informações sobre IOs para negociação, caso contrário não teremos nenhum progresso, apenas uma dobra de persianas.
PS: As características em ambas as EAs são contadas por barra OHLC, e o seu número e fórmula de cálculo são idênticos.
Sim, mas a questão é diferente - vamos concordar em formatos e trocar informações sobre IOs para negociação, caso contrário não faremos nenhum progresso, apenas jogo sujo, estilo cego a cego.
PS: Em ambos os EAs os chips são calculados utilizando a barra OHLC e o seu número e fórmula de cálculo são idênticos.
Deve juntar-se a nós na nossa sala de chat, nós discutimos estratégias lá e negociamos. Há muita segregação por assunto, quem se importa com o que é interessante.
Tópicos importantes ou secretos estão fora dos limites para pessoas de fora
Há muito tempo que está claro sobre a Centelha, eu não perguntei. Eu estava a perguntar sobre a ideia. Esta abordagem com centelha está fora de controlo devido à forma ineficiente de aprender e à potência necessária
O mesmo pode ser feito através da optimização na nuvem MT5 sem andaimes. Não sei sobre a sua produção e se ela lhe dá lucro, mas não dá e este algoritmo falhará sempre devido ao excesso de roupa.
IMHA
Há uma opinião de que o modelo construído deve sempre retornar 0 ou 1.
Mas e se tratarmos o resultado retornado do modelo como o de um indicador? Tentar estimar tal modelo pelo MSE etc. não servirá de nada. Mas quando você aplica tal modelo com parâmetros de compra > 0,75 e venda < 0,25, você terá bons lucros.
A ideia em si: atirar vários dados de diferentes indicadores para uma floresta aleatória e obter um super indicador.
A forma de procurar o graal requer a verificação de idéias não-padronizadas.
Há uma opinião de que um modelo construído deve sempre retornar 0 ou 1.
Mas e se tratarmos o resultado retornado do modelo como um indicador? Tentar estimar tal modelo pelo MSE etc. não servirá de nada. Mas quando você aplica tal modelo com parâmetros de compra > 0,75 e venda < 0,25, você terá bons lucros.
A idéia em si: jogar vários dados de diferentes indicadores em floresta aleatória e obter um super-indicador.
Formas de encontrar o graal requerem testes de idéias prontas para uso.
A Forest não apresenta probabilidades de pertencer a uma classe, por isso estas desigualdades são um disparate.
>< 0,5 e pronto, não há outra maneira. E depois há a questão de qual é melhor - sinais binarizados e saídas ou não.
você pode dividir 0 a 100 em classes, não há diferença, não é o NSa floresta não apresenta probabilidades de pertencer a uma classe, por isso estas desigualdades são um disparate.
>< 0,5 e pronto, não há outra maneira. E outra pergunta é o que é melhor - sinais binarizados e saídas ou não.
podes dividi-lo em classes de 0 a 100, não é como a NS.Se não há nenhuma probabilidade, então o que fazem estas linhas?
Oh, certo.
o resultado de todos os algoritmos de classificação incluídos na ALGLIB não é a classe a que o objeto pertence, mas um vetor de probabilidades condicionais.
Mas isto não é muito consolador. Haverá menos sinais e não necessariamente mais resultados. Para mim, por exemplo, não. Eu estabeleci um limiar de 0,5 em todo o lado agora.
O que é muito mais importante é a comparabilidade dos erros no traço e no oob.
Oh, certo.
o resultado de todos os algoritmos de classificação incluídos na ALGLIB não é a classe a que o objeto pertence, mas um vetor de probabilidades condicionais.
Mas isto não é muito consolador. Haverá menos sinais e não necessariamente mais resultados. Para mim, por exemplo, não. Eu estabeleci um limiar de 0,5 em todo o lado agora.
O que é muito mais importante é a comparabilidade dos erros no comboio e no oob.
Mas estas são peculiaridades dos algoritmos modificados.
AlgLib implementa a clássica floresta aleatória sem modificações. É o mesmo em Spark.
Ajustando o limiar para 0,5 = adaptando os dados ao resultado.
P.S. Mesmo os parâmetros de geração de floresta aleatória são diferentes.
Mas estas são peculiaridades dos algoritmos modificados.
AlgLib implementa uma clássica floresta aleatória sem modificações. É o mesmo em Spark.
Ajustando o limiar para 0,5 = adaptando os dados ao resultado.
P.S. Até os parâmetros de geração de floresta aleatória são diferentes...
acho que também tenho algLibe )
aqui está uma descrição, não sei como é "clássico".
http://alglib.sources.ru/dataanalysis/decisionforest.php