Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2630
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
Meio criativo, você não sabe de antemão.
Qualquer coisa pode ser aproximada, mas o TC é uma lógica clara no código, sem aproximações.
Não sabemos a lógica exata, você sabe... não é descompilação. Isso deixa confuso, "na imagem e semelhança". treinadores de abibas
Portanto, se você pegar a estratégia de cruzamento de dois carros e não der um sinal direto do cruzamento para o modelista.
É muito bom, até me surpreende, mas é um algoritmo primitivo...
azul para o sinal original, vermelho para o prefixo.
E se você não normalizá-lo...
Portanto, se você pegar a estratégia de cruzamento de dois carros e não der um sinal direto do cruzamento para o modelista.
É muito bom, até me surpreende, mas é um algoritmo primitivo...
azul para o sinal original, vermelho para o prefixo.
E se você não normalizá-lo...
Portanto, se você pegar a estratégia de cruzamento de dois carros e não der um sinal direto do cruzamento para o modelista.
É muito bom, até me surpreende, mas é um algoritmo primitivo...
azul para o sinal original, vermelho para o prefixo.
E se você não normalizá-lo...
Você não pode saber antecipadamente o que o MA Expert Advisor usa e quais períodos ele tem. Ou quaisquer outros indicadores são utilizados.
Tente treinar o modelo não no MA (X) mas em aspas brutas (x) por exemplo em 100 barras (você não conhece os períodos de MA a partir da caixa preta, você só pode adivinhar quantas barras podem ter sido usadas).
Bem, o Y é aquele dado por seu examinador.
Você não pode saber com antecedência o que, MA especialista está usando e quais períodos. Ou quaisquer outros indicadores utilizados.
Não me diga o que posso e não posso fazer, diga "não sei como você pode fazer". Isso é mais honesto.
Tente treinar o modelo com aspas em bruto (x) em vez de MAhs (X)
cru também não é ruim.
nada mal em bruto também
Nada mal para os crus também.
Precisa realmente de MO?
Meus resultados. Quem consegue decifrá-lo, bem feito, esqueci o que é o quê.
Outro exemplo de teste, cruzamento de ma e preço. A entrada são incrementos de várias últimas barras, a saída é a direção comercial (1-bay, 0-sell). Parâmetros da rede subjacente: 1 Camada densa com tanh. 1 época, lote=32. ganho - número de entradas, por - período MA, total - tamanho da amostra de treinamento. A rede é treinada em 1 época para que não haja repetição de amostras durante o treinamento. A validação é baseada na amostra de treinamento invertida verticalmente (*-1). O teste é realizado em uma amostra independente separada. Todos eles são iguais ao total. Em per<=win a rede mostra alta precisão, o que era necessário para provar, a rede é capaz de procurar padrões ocultos.
Para redes pequenas (<1000 neurônios), o cálculo na cpu é mais rápido do que na gpu. Com batch=8192, o cálculo leva o mesmo tempo. Este caso de teste com 1 e 100 neurônios ocultos é computado ao mesmo tempo. Para cpu conta com dupla e única precisão ao mesmo tempo, os resultados são comparáveis. Diferentes tipos de ativação contam durante aproximadamente o mesmo tempo e deram resultados comparáveis. O tamanho do ganho não afeta muito o tempo. total=10^6 em lote=1 conta durante 18 minutos. A relação entre o lote e o tempo é linear.
Precisão do tamanho da amostra. batch=1 , per=100, win=100. Primeira coluna - tamanho da amostra (total), 2 - tempo min.seg., 3 - precisão no teste, 4 - precisão no trem, 5 - precisão na validação.
1м 18.49 99. 98,7 99.
100k 1,54 98,5 97,3 98,6
10k 0,11 97,8 88,4 98,1
1k 0,01 71,2 62,1 66,5
Adicionando ruído à entrada. total=10^6, lote=32 , per=10, win=10. Primeira coluna - fração de ruído de entrada, 2 - precisão no teste, 3 - precisão no rastreamento, 4 - precisão na validação.
0,001 99,8 98,1 99,8
0,01 99,6 98,2 99,6
0,1 96,8 96,1 96,8
1 74,9 74,2 75,1
Número de entradas e erro. total=10^6, lote=32 , per=100. precisão no teste, precisão no trem, precisão na validação.
win=150: 99,5 98,7 99,5
win=100: 99,6 98,8 99,6
win=90: 98,9 98,2 98,9
win=80: 97,2 96,6 97,2
win=70: 94,8 94,3 94,8
win=60: 92,0 91,6 91,9
win=50: 88,6 88,2 88,6
win=20: 74,7 74,4 74,7
Gráficos de pesos. 1 neurônio de entrada. ma(100) 100 entradas à esquerda, ma(50) 100 entradas à direita