Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1342

 
Vladimir Perervenko:

Parabéns.

Terminal: API adicionada para solicitar dados do terminal MetaTrader 5 através de aplicações que utilizamR.

Nós preparamos um pacote especial MetaTraderR. Contém DLL para interação entre o terminal R e MetaTrader 5, documentação e arquivos r auxiliares. O pacote está em processo de registro no repositórioCRAN e estará disponível para download e instalação no futuro próximo.

Vamos esperar pela sequela.

Boa sorte.

Ou talvez até condolências, porque agora é fácil comparar o trabalho com o mql nativo em grandes dados e entender - que porcaria este r...)

 
Aleksey Vyazmikin:

Aqui está outra forma de representar o comportamento dos modelos na amostra - aqui por cor:

TP - classificação correcta "1" - verde

FP - erro de classificação "1" - vermelho

FN - classificação errada "0" (na verdade falta "1") - azul

O tamanho da tela é grande - é mais interessante assistir clicando.

E o gif ao premir as duas variantes vai mudar para maior clareza.

pode-se ver que os meus modelos têm muito pouco mergulho no mercado, pois há muito azul - precisamos de ver as razões para a inactividade. Talvez eu deva procurar outras maneiras de parar a aprendizagem, não apenas pela precisão. É claro que eu teria definido tanto a completude quanto a precisão para alguns limites, mas por alguma razão desconhecida esta opção de parar a educação não é fornecida pelos desenvolvedores, o que é uma pena.

Salta por causa de buscas que excedem os intervalos de valores

encontrou algum prognosticador interessante?

 
Maxim Dmitrievsky:

omissões devidas a características que excedem os intervalos de valores

encontrou algum prognosticador interessante?

Então você acha que tais valores nunca foram encontrados antes na história e é por isso que o modelo em inatividade forma lacunas, ou seja, a amostra não é completa o suficiente para o treinamento?

Bem, os meus palpiteiros são todos interessantes - eles foram inventados há anos :) O que funciona melhor, ainda não sei, estou atualmente trabalhando em um roteiro que me ajudará a entendê-lo melhor, espero eu.

 
Vladimir Perervenko:

Parabéns.

Terminal: API adicionada para solicitar dados do terminal MetaTrader 5 através de aplicações que utilizama linguagem R.

Nós preparamos um pacote especial MetaTraderR. Contém DLL para interação entre o terminal R e MetaTrader 5, documentação e arquivos r auxiliares. O pacote está em processo de registro no repositórioCRAN e estará disponível para download e instalação no futuro próximo.

Vamos esperar pela sequela.

Boa sorte.

Muito interessante, nós vamos esperar.

 

O que é que as árvores estão a fazer barulho...

No gráfico do eixo Y está o número da folha (árvore binária), e no eixo X está a cadeia de amostragem (cadeia de teste, neste caso). As gamas de cores na lenda - valores tomados modulo, mostram a resposta da folha. O modelo utiliza 7 árvores, ou seja, um valor de cada folha chegará a uma linha, 7 no total, elas são somadas e então a função logística é aplicada, por exemplo a soma de 0 será igual a 0,5.

Pode concluir pelo gráfico que algumas das folhas não foram activadas no período da amostra de teste, ou seja, situações no treino e amostra de teste não se repetiram, pode também observar uma grande concentração de folhas com baixa resposta (vermelho) que não afectam significativamente o resultado, indicando maior probabilidade de ruído ou desunião de condições logicamente semelhantes.

Gráfico do modelo no mercado

O gráfico de equilíbrio de precisão

O modelo é tomado como contendo um pequeno número de folhas (árvores), por exemplo.

 

Tentei treinar uma rede neural em Python. O pacote é scikit-learn, o NS em si é sklearn.neural_network.MLPRegressor. Neurônios acima de 100, camadas ocultas -7, entradas -19, saída - 1. A tarefa é prever um processo aleatório.

A tarefa é artificial, feita em gerador de ruído e para que este ruído possa teoricamente ser previsto. Tentei por alguns pontos à frente.

Resultado da comparação da previsão com o real para 5 mil pontos escolhidos aleatoriamente:

X é a previsão, Y é o valor real. Todos eles estão muito perto de uma linha reta de 45 graus. Isto é, a previsão é quase perfeita (em amostra artificial).

A aprendizagem é muito rápida - 24 épocas. A seu tempo, cerca de 10 segundos.

Devo dizer que fiquei muito surpreendido. Eu tentei muito esconder os dados. Estou surpreendido por ela o ter encontrado. Em geral, perto do misticismo).

Conclusões: O NS sklearn.neural_network.MLPRegressor é bastante utilizável. Eu ainda não tentei o classificador.

Já tentei algo com o mercado, sem resultados até agora. Não há busca, diz que não há nada lá, embora a tarefa seja da mesma classe que a gerada artificialmente.

 
Yuriy Asaulenko:

Eu tentei treinar uma rede neural em Python. O pacote é scikit-learn, o NS em si é sklearn.neural_network.MLPRegressor. Neurônios acima de 100, camadas ocultas -7, entradas -19, saída - 1. A tarefa é prever um processo aleatório.

A tarefa é artificial, feita em gerador de ruído e para que este ruído possa teoricamente ser previsto. Tentei por alguns pontos à frente.

Resultado da comparação da previsão com o real para 5 mil pontos escolhidos aleatoriamente:

X é a previsão, Y é o valor real. Todos eles estão muito perto de uma linha reta de 45 graus. Isto é, a previsão é quase perfeita (em amostra artificial).

A aprendizagem é muito rápida - 24 épocas. A seu tempo, cerca de 10 segundos.

Devo dizer que fiquei muito surpreendido. Eu tentei muito esconder os dados. Estou surpreendido por ela o ter encontrado. Em geral, perto do misticismo).

Conclusões: O NS sklearn.neural_network.MLPRegressor é bastante utilizável. Eu ainda não tentei o classificador.

Já tentei algo com o mercado, sem resultados até agora. Não procura, diz que não há lá nada, embora a tarefa seja da mesma classe que a gerada artificialmente.

Esta não é uma tarefa da mesma classe.

O mercado NÃO é um gerador de ruído.
 
Oleg avtomat:

É uma tarefa NÃO da mesma classe.

O mercado NÃO é um gerador de ruído.

A questão é muito discutível)). Dê o seu modelo, e se for possível conduzi-lo em NS, ao mesmo tempo e verifique se este tractor funciona).

 
Yuriy Asaulenko:

A tarefa é prever um processo aleatório.

A tarefa é artificial, feita em um gerador de ruído, e para que este ruído possa teoricamente ser previsto. Tentei por alguns pontos à frente.

O resultado é uma comparação da previsão com o real em 5.000 pontos selecionados aleatoriamente:


Ou seja, a previsão é quase perfeita (em amostra artificial).

Então, os dados não são aleatórios, de que outra forma explicá-los.

 
Yuriy Asaulenko:

É um ponto discutível). Dê-nos o seu modelo, e se for possível conduzi-lo em NS, vamos verificar se este tractor funciona).

A questão não é de todo discutível. E é exactamente isso que a sua NS diz, trabalhando bastante no gerador de ruído, mas não trabalhando no mercado BP com o seu resultado"Não procurar, diz que não há nada lá".