Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1555

Novo comentário
 
Aleksey Vyazmikin:

A idéia de mistura é interessante, mas me parece que você precisa aleatorizar o movimento de preços de um ponto chave para outro. E os blocos em si devem ser criados usando ZZ, então realmente parecerá um mercado.

Então o modelo irá capturar os padrões que levam a esses extremos. E os novos dados podem acabar por se revelar um disparate.

O meu modelo aprende a não estar ligado à forma do movimento de preços, mas a aprender pequenos padrões como o agrupamento de volatilidade, que distingue o mercado do SB. Então é puraeconometria(na minha versão)

Tenho estado a optimizar, e percebi que o meu portátil já não aguenta mais. Tenho de arranjar um hardware decente. Mas isto vai empurrar-me para um código sub-óptimo, por isso vou ver o que posso fazer.

A segunda opção é deitar fora o catbust e reescrever tudo na floresta em mql. Mas é mais conveniente investigar em python
 
Maxim Dmitrievsky:

então o modelo irá captar os padrões que levam a estes extremos. E em novos dados pode acabar por ser um disparate.

O meu modelo aprende a não estar ligado à forma do movimento de preços, mas a aprender pequenos padrões como o agrupamento de volatilidade, que distingue o mercado do SB. Então é pura econometria(na minha versão)

Tenho estado a optimizar, e percebi que o meu portátil já não aguenta mais. Tenho de arranjar um hardware decente. Mas vai empurrar-me para um código sub-óptimo, por isso vou ver o que posso fazer.

Eu não sei, na minha opinião apenas fatiar clusters por ZZ é produtivo, especialmente se você acrescentar a eles as regras médias de construção a partir do mercado. A questão é que um ponto pode ser alcançado por caminhos diferentes, e a amostra se concentra apenas em um pequeno conjunto de tais caminhos, e assim a amostra será equilibrada. Talvez tenhamos objectivos diferentes, por isso pensamos de forma diferente sobre o que funcionaria melhor para um determinado estudo. Você só tem clusters do mesmo tamanho, o que só gera SB se os preditores tomarem dados nas junções dos dois clusters...

E passar a ferro - sim, leve-o, se acelerar o voo de fantasia!

 
Aleksey Vyazmikin:

Não sei, na minha opinião é produtivo fatiar clusters por ZZ, especialmente se você acrescentar regras médias de construção do mercado. A questão é que um ponto pode ser alcançado por caminhos diferentes, e a amostra concentra-se apenas num pequeno conjunto desses caminhos, e assim a amostra será equilibrada. Talvez tenhamos objectivos diferentes, por isso pensamos de forma diferente sobre o que funcionaria melhor para um determinado estudo. Você só tem clusters do mesmo tamanho, o que só gera SB se os preditores tomarem dados nas junções dos dois clusters...

E passar a ferro - sim, leve-o se acelerar o voo de fantasia!

ah, bem, também podem ser feitos clusters de tamanhos diferentes, não sei se isso vai salvar

Acho que a ideia de misturar é imperfeita, mas é interessante.

 
Maxim Dmitrievsky:

ah, bem, grupos de diferentes tamanhos também podem ser feitos, não necessariamente para salvar

Acho que a ideia de misturar é imperfeita, mas é interessante.

Amostragem aleatória ou shuffling (se eu entendi corretamente) é uma das maneiras de reduzir o overshoot. Não sei se é útil na regressão, mas funciona bem na classificação.
Parece-me que neste momento existe um certo confronto entre algoritmos que se aproximam da função do alvo e aqueles que a impedem. Algum tipo de resistência ocorre no processo de aprendizagem. Vamos tornar a vida interessante :-)
Se não houver resistência, a aprendizagem está a aproximar-se demasiado depressa do alvo e, portanto, é muito provável que se ultrapasse o limiar do excesso de aprendizagem.
Se há resistência, mas resistência fraca, o efeito é o mesmo.
Se a resistência é demasiado forte, ocorre sub-aprendizagem e o modelo não consegue atingir o intervalo de confiança em que se situa a zona de generalização, mostrando maus resultados para a própria aprendizagem. Também não é bom.
Conclusão um, resistência à aprendizagem. Ou os métodos que visam reduzir o sobre-aprendizado devem ser equilibrados com o algoritmo básico para trazer fuknts com consistência invejável ao intervalo de confiança, mas de forma alguma ir além dele ou fazê-lo muito raramente.
 
Mihail Marchukajtes:
Amostragem aleatória ou mistura (se eu o entendi corretamente) é uma forma de reduzir o excesso de treinamento. Não sei se é útil na regressão, mas funciona bem na classificação.
Parece-me que neste momento existe um certo confronto entre algoritmos que aproximam a função do alvo e algoritmos que a impedem. Algum tipo de resistência surge no processo de aprendizagem. Para que a vida não pareça um sonho :-)
Se não houver resistência, a aprendizagem está a aproximar-se demasiado depressa do alvo e, portanto, é muito provável que se ultrapasse o limiar do excesso de aprendizagem.
Se há resistência, mas é fraca, o efeito é o mesmo.
Se a resistência é demasiado forte, ocorre sub-aprendizagem e o modelo não consegue atingir o intervalo de confiança em que se situa a zona de generalização, mostrando maus resultados para a própria aprendizagem. Também não é bom.
Conclusão um, resistência à aprendizagem. Ou os métodos que visam reduzir o sobre-aprendizado devem ser equilibrados com respeito ao algoritmo básico, de modo que o fukncion chegue ao intervalo de confiança com consistência invejável, mas de forma alguma salta por cima dele ou o faz muito raramente.

Isso é verdade, mas quando não há regularidade nas devoluções, é trabalho de um homem morto)

 
Aleksey Vyazmikin:

A idéia de mistura é interessante, mas me parece que você precisa aleatorizar o movimento de preços de um ponto chave para outro. E os blocos em si devem ser criados usando ZZ, e então parecerá um mercado.

Não utilize ZZ ou quaisquer indicadores adicionais. Apenas OHLC por vários períodos de tempo (o intervalo de tempo deve diferir 4-6 vezes). Por exemplo, 1-5-30-H3... até um mês de tempo. Selecione você mesmo) e, talvez, mais carrapatos para aviso prévio.

Pelos preços de máximos e mínimos separadamente estruturas convolucionais. Por OHLC - a estrutura de recorrência. E assim por diante, todos os preços usados. Os sinais de tudo isto são ainda alimentados, por exemplo, para a rede de malha completa.

Além disso, insira os ticks passados pela rede de recorrência para uma das entradas da rede de malha completa.

Otimizar a velocidade de aumento do depósito. Como resultado, a malha deve decidir por si só sobre o volume do lote e selecionar os pontos de abertura e fechamento. Assim.

 
Eugeni Neumoin:

Não utilize ZZ ou quaisquer indicadores adicionais. Apenas OHLC de vários tf's (tf's devem diferir por um fator de 4-6. Por exemplo, 1-5-30-H3... até um mês de tempo. Selecione você mesmo) e, talvez, mais carrapatos para aviso prévio.

Pelos preços de máximos e mínimos separadamente estruturas convolucionais. Por OHLC - a estrutura de recorrência. E assim por diante, todos os preços usados. Os sinais de tudo isto são ainda alimentados, por exemplo, para a rede de malha completa.

Além disso, introduza os ticks passados através da rede recorrente para uma das entradas da rede mesh completa.

Otimizar a velocidade de aumento do depósito. Como resultado, a malha deve decidir por si só sobre o volume do lote e selecionar os pontos de abertura e fechamento. Assim.

O que propõe como função de destino para as redes intermediárias? Isto é, o que devem ser treinados para fazer?
 
Eugeni Neumoin:

Não utilize ZZ ou quaisquer indicadores adicionais. Apenas OHLC de vários tf's (tf's devem diferir por um fator de 4-6. Por exemplo, 1-5-30-H3... até um mês de tempo. Selecione você mesmo) e, talvez, mais carrapatos para aviso prévio.

Pelos preços de máximos e mínimos separadamente estruturas convolucionais. Por OHLC - a estrutura de recorrência. E assim por diante, todos os preços usados. Os sinais de tudo isto são ainda alimentados, por exemplo, para a rede de malha completa.

Além disso, introduza os ticks passados pela rede de recorrência para uma das entradas da rede de malha completa.

Otimizar a velocidade de aumento do depósito. Como resultado, a malha deve decidir por si só sobre o volume do lote e selecionar os pontos de abertura e fechamento. Assim.

E há um arco em cima dele )

 
Elibrarius:
O que você propõe como função alvo para redes intermediárias? Isto é, o que devemos ensinar-lhes?

Sobre a taxa de aumento do depósito. Esta é a função do alvo. A convolução dos altos e a convolução dos baixos é algum análogo de ZZ. Revela fractais de ondas. Estruturas de recorrência de acordo com OHLC - combinações de velas - padrões de velas (fractais) são capturados aqui.

As grelhas baseadas em dados de diferentes TFs identificam fractais em diferentes TFs. A função alvo da velocidade de aumento do depósito define até que ponto os fractais que aparecem em diferentes dobras devem ser levados em conta.

Maxim Dmitrievsky:

e um laço em cima dela )

Isso é para o amador.


 
Eugeni Neumoin:

A partir da taxa a que o depósito aumenta. Esta é a função do alvo.

Do que é composto o depósito? De comandos de compra/venda/espera.

Estes comandos serão treinados pela NS final. E depois prevejam-nos.
Em que devem ser treinadas as redes intermediárias? ZigZags? Para treinar uma rede, ela precisa mostrar uma resposta. Que algoritmo de ziguezague e com que parâmetros você se propõe usar como sinal de treinamento?

1...154815491550155115521553155415551556155715581559156015611562...3399
Novo comentário