Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2642
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
Combinado com outros métodos, ele pode fazer alguma coisa.
O que está acontecendo?
Esse é o tipo de sinal que recebi. Correlacionar porque a base são incrementos de ordens de magnitude próximas
Fórmula de exemplo: preço - MA(n) * std(n) * coef, onde MA e std - média móvel e desvio padrão de ordem arbitrária e coeficiente de nivelamento, quanto maior - mais estacionária é a série. Nesse caso, é 50000.
Por alguma razão, meu MO mostra estabilidade melhor do que apenas em incrementos
com coef 20.
Acontece que é algo semelhante à diferença fracionária, mas conta instantaneamente.
Talvez alguém possa pensar em outras opções
Esse é o tipo de sinal que recebi. Correlacionado, porque a base é composta por incrementos de ordens de magnitude próximas
O que são essas curvas em geral?
Maxim Dmitrievsky #:
talvez alguém apareça com outras opções
Aqui vamos nós, regressão simbólica para o resgate
Afinal, para que servem as bolas curvas?
Bem, a regressão simbólica vem em socorro.
A fórmula está escrita
Vou apresentar algo, vou lhe mostrar um exemplo mais simples sem SR.
Vou apenas montar algo e mostrar a você um exemplo mais simples sem SR.
Com o SR, leva mais tempo para codificar e planejar, portanto, para simplificar, agilizar e esclarecer, simplifiquei...
Em vez de criar uma fórmula em tempo real, crio um "resultado da fórmula" - uma curva - e a utilizo como meta para o modelo.
Crio uma função de adequação que maximiza a correlação entre o preço e o resultado do modelo, mas o resultado do modelo tem uma limitação: ele só pode estar entre -1 e 1.
Ou seja, obtemos uma série que deve se correlacionar com o preço, mas "fixada" dentro dos limites dos valores estacionários. Se você precisar de uma verdadeira estacionariedade de acordo com Dickie Fuller e assim por diante, basta alterar a função de adequação para o que você precisa.
crie dados e treine o modelo com genética
testar o modelo.
As linhas verticais são a separação de treinamento, teste e validação.
Como você pode ver na figura, o modelo aprendeu a usar o preço como entrada, e a saída é uma série estatística que se correlaciona com o preço.
Para maior clareza, podemos fazer uma soma cumulativa do resultado do modelo.
como este )))) E você não precisa inventar nada, tudo pode ser feito automaticamente.
Com o SR, você precisa de mais tempo para o código e o planejamento, portanto, para simplificar, agilizar e esclarecer, eu o simplifiquei.
Em vez de criar uma fórmula em tempo real, crio um "resultado da fórmula", uma curva, e a utilizo como alvo para o modelo.
Criei uma função de adequação que maximiza a correlação entre o preço e o resultado do modelo, mas o resultado do modelo tem uma limitação: só pode estar entre -1 e 1.
Ou seja, obtemos uma série que deve se correlacionar com o preço, mas "fixada" dentro dos limites dos valores estacionários. Se precisarmos da verdadeira estacionariedade de acordo com Dickie Fuller e assim por diante, basta alterar a função de adequação para o que precisamos.
criar dados e treinar o modelo com genética
validar o modelo
As linhas verticais são a separação de treinamento, teste e validação.
Como você pode ver na figura, o modelo aprendeu a usar o preço como entrada, e a saída é uma série de estatísticas que se correlaciona com o preço
Para maior clareza, podemos fazer uma soma cumulativa a partir do resultado do modelo
como este )))) E você não precisa pensar em nada, tudo pode ser feito na máquina
Interessante, vou tentar pensar nisso mais tarde, mas hoje estamos tomando um bloody mary, é difícil pensar.
Fico imaginando quantas linhas seriam necessárias em python.....
provavelmente milhares em µl))))))))))))))))))))))))))))