Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2128
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
Aparentemente eu não entendi a pergunta.
Não há um interpretador de modelos no MT5 com preditores de categorização e CatBoost com linha de comando pode fazer tudo como a versão python, exceto coisas puramente python como a visualização.
Você conseguiu juntos, este intérprete, ou no seu pedido? Bem, vou ter de ver o que falta...
Não é um projecto comercial. O meu papel foi reduzido a testes activos da solução.
Se conseguires descobrir, vai ser bom para a comunidade.
E, em geral, até agora não vi o que realmente daria sinais categóricos de aumento - mas, há muito tempo, tentei prever as situações locais, como se fossem categóricas, mas não vieram.
sem multiclasse, tanto quanto eu entendo.
Sem regressão ainda.
Bem, se o fizer, será um parser de modelos treinados de python a mql. Ainda não está a arder, mas pode precisar dele.
Eu também posso guardar modelos para a pitão.
Qual é o objectivo da regressão?
Pode ser útil para modelos que funcionam para definir paragens. Às vezes pode ser necessário prever o MA através de uma dúzia de barras :)
Quais das suas características/transformações dão bons resultados?
O resultado do valor do preditor depende do alvo :) Estou apenas a fazer uma experiência de selecção dos melhores níveis de quantização. Os preditores que não passaram o limiar mínimo estão a ser filtrados. Ainda é muito cedo para dizer, mas os resultados iniciais são positivos. O processo é longo em um único fio - mais de um dia. Eu preciso usar mais critérios para estimar os níveis quânticos - eu vou fazer isso - a idéia é cavar onde há um sinal. Mais adiante, vou pegar em mais parcelas, filtrar amostras e aprender apenas onde há resposta - provavelmente já a árvore genética vai funcionar - para extrair folhas.
Eu fiz uma coisa interessante, posso transformar qualquer conjunto de dados, marcado ou não, melhorando-o
É interessante - podes experimentar no que eu liguei. É verdade que há lá um erro em alguns preditores (quando salvos foram escritos como int, não o dobro - eu removi minha quantização e esqueci), mas para comparação relativa não importa.
A propósito, se você precisa calcular o que é relativamente pesado - eu posso calcular - agora há uma oportunidade.
Isto é interessante - você pode tentar no que eu postei o link. Há lá um erro em alguns preditores (quando salvos foram escritos como int, não o dobro - eu removi minha quantização e esqueci), mas para comparação relativa não importa.
A propósito, se você precisa calcular o que é relativamente pesado - eu posso calcular - agora há uma oportunidade.
Estava à procura de um desenvolvimento muito conciso da minha abordagem e deparei-me com algo interessante... Ou melhor, não é que eu não soubesse antes, só não pensei em usá-lo... e depois, de alguma forma, os puzzles se juntaram.
Não é uma panaceia, mas dá resultados interessantes. Verei mais tarde.
Eu procurava um desenvolvimento muito conciso da minha abordagem e deparei-me com algo interessante... Ou melhor, não é que eu não soubesse antes, só não pensei em usá-lo... e então, de alguma forma, os quebra-cabeças se juntaram.
Não é uma panaceia, mas dá resultados interessantes. Veremos mais tarde.
Estou à espera com interesse!
A propagação não pode ser batida após uma simples decorrelação, mas o modelo é mais estável em novos dados sem propagação. Qualquer modelo que tenha sido equipado em excesso para as séries está a fazer sem um spread no n.d., mas é muito melhor numa bandeja do que o primeiro (funciona com um spread também). Isto mostra claramente uma requalificação para a serialização e nada mais. Sei que é difícil de entender, mas é 🤣. Se você olhar as fotos novamente, verá picos de distribuição mais altos e talvez caudas, no primeiro. Isso é seriedade, volatilidade, o que quer que seja. Ele muda quase imediatamente com os novos dados, daí o excesso de equipamento. A segunda foto de baixo não tem isso, é tudo o que resta, e nesse lixo você tem que procurar por um Alfa que supere a propagação. Basta olhar para os seus dados e pelo menos remover a seriação, ou de alguma forma transformá-los para remover as caudas. E depois veja as distribuições de classe do que resta, se há grupos de agregados normais ou completa aleatoriedade como o meu. Desta forma você pode até mesmo ver visualmente se o conjunto de dados está funcionando ou lixo. E depois podes misturar a validação com a Trayn, não vai afectar nada. E você diz "apenas uma fotografia".
Tens de o fazer, Fedya, tens de o fazer!
Trabalhar dia e noite sem dormir ou descansar ))))
Vocês são robôs?
Trabalhar dia e noite sem dormir ou descansar ))))
Temos de o fazer, Fedya, temos de o fazer!
:))))