Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1195

 
Maxim Dmitrievsky:

Digamos que já temos uma curva como a sua - uma distribuição de probabilidade a priori.

Pela fórmula Bayesiana você pode atualizá-la após cada comércio, assim o centro irá mudar e obter uma nova distribuição a posteriori, ou seja, aproximadamente algum fator de mudança que será atualizado após cada comércio. Isto irá ajustar ligeiramente o modelo às novas realidades, embora o modelo em si permaneça o mesmo.

Eu não sei como fazê-lo corretamente, na verdade deveria ser fácil, mas eu nunca o fiz :)

Não é realmente um treinamento modelo, porque não usamos novas leis, mudamos a interpretação das antigas - os preditores no modelo, as divisões nas árvores permanecem as mesmas. Aqui nós precisamos obter informações sobre quais regularidades foram inseridas - há um array no catbust, onde estão as regularidades de todas as folhas, e conseqüentemente editar esse array mudando a regularidade (um número para interpretar a regularidade). O problema é que haverá muitas folhas por entrada, então você precisa distribuí-las proporcionalmente, seja para aquelas que foram a favor da entrada, diminuindo-as, ou para aquelas contra, aumentando-as. A questão é quantas folhas, se houver 100 delas e 1000 de negócios, então você pode usar estatísticas para cada folha.

 
Maxim Dmitrievsky:

E se partirmos do pressuposto de que, devido à não-estacionariedade, não são os padrões em si que mudam, mas o modelo simplesmente se desloca e não dá os sinais certos

Não temos de estar sempre debaixo do capô quando queremos fazer uma curva apertada, só precisamos de orientar às vezes... e aqui não vejo muita diferença entre modificar o modelo e modificar a distribuição de saída... é só dizer :)


Você ainda tem que ir debaixo do capô, porque a resposta final é a soma dos valores das folhas e nem sempre são todos usados, mas somente quando há indicadores apropriados para isso. Portanto, 1 folha pode ser usada por entrada, ou 100! Portanto, não podemos mudar a interpretação do modelo deslocando a probabilidade para todas as situações, ou melhor, podemos, mas não é lógico, porque parte das folhas pode continuar a classificar corretamente. Portanto, ou muda os indicadores foliares, ou faz uma interpretação adicional separada de cada folha e a muda dependendo das combinações com outras folhas, mas não tenho certeza se isso é produtivo.... É por isso que prefiro modelos pequenos - se você os combinar, é mais fácil descobrir qual deles está mentindo e se livrar dele.

Se há poucas folhas, então talvez você possa mudar a barreira da probabilidade, mas se há muitas folhas e apenas uma pequena parte delas é usada por entrada, então não faz sentido logicamente.
 
Maxim Dmitrievsky:

mas, às vezes, só temos de guiar...

affine transformation can steer ;), aqui está um exemplo em KB foihttps://www.mql5.com/ru/code/9378

Affine Transform
Affine Transform
  • www.mql5.com
Построение по ценам закрытия. График в окне индикатора тот же, что и ценовой, но временнАя ось "наклонена" под углом трендовой линии Построение линий индикатора по экстремумам баров. Ограничение баров по первой точке трендовой линии Добавлено опциональное ограничение баров индикатора, их число задается параметром MaxBars. Чтобы отключить...
 
Maxim Dmitrievsky:

fez uma coisa parecida, mas para que direcção então, como é que eu descubro? )

de jeito nenhum, só com um testador ((

 
Maxim Dmitrievsky:

talvez um filtro Kalman )

google "kalman habrahabr", o artigo foi lido lá há muito tempo, o mais valioso está nos comentários, o autor do artigo em pooh.... Tanto quanto sei, funcionará como todos - apenas com dados que mudam lentamente.

PS: havia exemplos de Kalman no KB - e se? ;)

 
Maxim Dmitrievsky:

Talvez, ainda não esteja claro... até você tentar )

Você pode ter uma folha má com um preditor instável em uma combinação de previsão correta e você precisa se livrar dela. Por exemplo, você pode identificar a combinação em 80% das folhas participantes - um determinado quorum, e se uma nova folha com um peso elevado aparecer, você pode filtrá-la. Até me pergunto quantas combinações podem haver com este critério por 1000 transacções... Mas não tenho ideia de como descobrir.

 
Maxim Dmitrievsky:

Um truque importante... A lei do Zipf (exponencial). E também demonstra que as variáveis com maior variância (maior defasagem de preço) têm sempre maior importância nos modelos em árvore. Existem muitas características semelhantes (500 no total), por isso o gráfico não é muito demonstrativo. Faço-o novamente mais tarde.

legal!

Pergunta como especialista em Python, me dê algo em Python para experimentos, estou quase terminando com Sharp, ele se conecta ao MT5 sem problemas, C# suporta Python também, eu posso tentar iniciar Python também ;)

 
Igor Makanu:

Lindo!

Pergunta como um especialista em Pythons, dê-me algo em Python para experimentos, estou quase pronto com Sharp, ele liga com MT5 sem qualquer problema, C# e Python são supostamente suportados, então eu posso mudar para Python ;)

Estou apenas a aprender Python... bem, o que há para aprender, quero dizer, ainda não dominei os modelos MO... o que queres exactamente? Tira um exemplo deste site https://scikit-learn.org/stable/

como Random Forest, por exemplo.

 
Maxim Dmitrievsky:

Estou apenas a aprender pitão... ou melhor, o que há para aprender, quero dizer, ainda não o usei... o que é que queres exactamente? Toma um exemplo a partir daqui https://scikit-learn.org/stable/

como Random Forest, por exemplo.

ou de aumento de inclinação, exemplos prontos.


Está bem, obrigado, amanhã vou ver isso.

 

Os gráficos aqui e aqui e mesmo aqui foram plotados com um erro, os valores não são de zero, portanto a probabilidade de 0,5 não está no ponto 5, mas no ponto 6!

Este é o tipo de erro que pode ocorrer ao analisar dados e tentar dar-lhe sentido, um erro técnico, por assim dizer...