Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2699
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
O tempo cíclico (número de horas etc.) é fácil de usar, por exemplo, no KNN, se a métrica for escrita corretamente. Ou em algum desenvolvimento desse método, como a regressão local.
Vejo uma familiaridade, já a vi de 3 a 4 vezes em suas postagens.
2 vezes 0,5 por turno.)))))))
2 vezes, é assim:
2 vezes 0,5 está no centro :-) Uma média de dois, que de repente descreve bem os tiques
0) sim, estou...)
Meu método fixa o número de espaços nos quais a regularidade é pesquisada e limita a etapa de coordenadas nesses espaços, portanto, não deve haver explosões. Além disso, há ideias de como reduzir imediatamente o número de combinações a serem pesquisadas, analisando os espaços com antecedência.
Farei a pesquisa em MQL5 por meio do modo "mathematical computation". A vantagem aqui é o sistema depurado de suporte a agentes, que permitirá gerenciar tarefas de computação paralelas. Tenho muitos núcleos fracos em meus servidores, portanto, isso é importante para mim.
Uma regra é um análogo de uma folha de árvore, se me lembro bem de sua pesquisa. A folha contém as condições que descrevem o padrão, e o evento é a fonte para encontrar o padrão.
O evento talvez seja o tronco da árvore, que será construído pela interação com outros preditores.
A construção, mesmo que seja possível dizer o crescimento, se usar a representação de uma árvore, é o segundo estágio, para perceber o que é possível por meio do algoritmo (enquanto esboça em um papel) ou no R por meio de árvores genéticas (é simplesmente uma metodologia já elaborada, para a qual você jogou o script), ou como você faz - mas já trabalhando com uma pequena tabela geral - buscando regularidades relativas, e é possível pensar em outra coisa. E, nesse estágio, o CatBoost já pode digerir os dados com alegria, como uma solução intermediária. É possível extrair folhas e regras desses dados, mas elas geralmente são fracas.
A probabilidade de ultrapassar qualquer linha pelo preço (e acionar os sinais do indicador) depende da hora do dia e do dia da semana.
É necessário adicionar tempo cíclico a NN e DL. A maneira mais simples é uma onda senoidal. As dependências não são lineares, portanto, ela é simplesmente elevada ao quadrado, levando em conta o sinal. Há duas entradas adicionais que são responsáveis pelas referências de tempo. A meia-noite/meio-dia é diferente em todos os lugares, portanto, é melhor calcular e fornecer a fase com antecedência. Essa é a conexão do modelo com o mundo real e seu horário
Se eles não forem fornecidos explicitamente, na minha opinião, você receberá uma abóbora ou a coisa toda tentará obtê-los e emiti-los por si só.
Sim, o tempo é uma das escalas mais importantes, e é claro que eu a utilizo.
Como é resolvida a questão da transição para o horário de verão/inverno? Você acha que é necessária alguma correção?
Digamos que negociemos euro/rublo - no histórico, temos diferentes momentos de transição para o horário de inverno/verão e, depois, a ausência de transição para o rublo, mas a presença do euro, digamos que as notícias planejadas sejam importantes, mas, com a mudança de horário, elas estarão no gráfico em momentos diferentes. Talvez faça sentido usar as escalas de tempo de duas moedas ao mesmo tempo, e talvez mais?
Sim, o tempo é uma das escalas mais importantes, e é claro que eu a utilizo.
Como a questão da transição para o horário de verão/inverno é resolvida, você acha que é necessária alguma correção?
Digamos que negociemos euro/rublo - no histórico, temos diferentes momentos de transição para o horário de inverno/verão e, em seguida, a ausência de transição para o rublo, mas a presença do euro, digamos que as notícias planejadas sejam importantes, mas com a mudança de horário, elas aparecerão no gráfico em momentos diferentes. Talvez faça sentido usar as escalas de tempo de duas moedas ao mesmo tempo, e talvez mais?
Esse é um problema bem conhecido... e confunde tudo constantemente, não importa o que negociamos:-) em dois grandes centros - EUA e Inglaterra, os ponteiros do relógio são movidos em dias diferentes. Com até mais de uma semana de diferença. Os intervalos entre os eventos mais importantes mudam e duas ou três semanas em seis meses podem ser descartadas da análise. E nosso pessoal está fazendo uma bagunça, "nós mudamos os relógios, nós não mudamos os relógios".
Não conheço uma solução universal, nem mesmo mais ou menos bem-sucedida, para esse problema. Ou simplesmente ignorar esses "dias críticos" ou ensinar o horário de inverno/verão separadamente. A última opção parece mais razoável, mas já estamos com uma falta crítica de dados
Meu método fixa o número de espaços em que um padrão é pesquisado e limita a etapa de coordenadas nesses espaços, portanto, não deve haver explosões. Além disso, há ideias de como reduzir imediatamente o número de combinações a serem exploradas, analisando os espaços com antecedência.
Farei a pesquisa em MQL5 por meio do modo "mathematical computation". A vantagem aqui é o sistema depurado de suporte a agentes, que permitirá gerenciar tarefas de computação paralelas. Tenho muitos núcleos fracos em meus servidores, portanto, isso é importante para mim.
Uma regra é um análogo de uma folha de árvore, se me lembro bem de sua pesquisa. A folha contém condições que descrevem o padrão, e o evento é a fonte para encontrar o padrão.
O evento talvez seja o tronco da árvore, que crescerá ao interagir com outros preditores.
Construir, mesmo que seja possível dizer crescimento, se usar a representação de uma árvore, é o segundo estágio, para perceber o que é possível por meio do algoritmo (enquanto esboça em um papel) ou no R por meio de árvores genéticas (é simplesmente uma metodologia já elaborada, para você jogar o script), ou como você faz - mas já trabalhando com uma pequena tabela geral - buscando regularidades relativas, e é possível pensar em outra coisa. E, nesse estágio, o CatBoost já pode digerir os dados com alegria, como uma solução intermediária. É possível extrair folhas e regras dos dados, mas elas geralmente são fracas.
Há alguma ferramenta em sua abordagem para levar em conta a invariância dos dados?
https://en.wikipedia.org/wiki/Affine_transformationHá alguma ferramenta em sua abordagem para levar em conta a invariância dos dados?
https:// en.wikipedia.org/wiki/Affine_transformationTalvez isso seja relevante para vários pontos, por exemplo, para encontrar padrões semelhantes, mas no meu caso há essencialmente um ponto no primeiro estágio. O ponto é convertido/normalizado em diferentes sistemas de medição relativos - escala de tempo e preço, além de um terceiro espaço - qualquer preditor discreto que descreva continuamente o mercado. Você obtém três dimensões na representação inicial. Cada uma tem sua própria tabela quântica.