Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1515
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
A imagem é apenas uma ilustração das fases 1 e 2.
Sim, entendo que é apenas uma imagem, mas para programar conjuntos semelhantes, pessoalmente para mim, preciso de uma compreensão mais clara de como se parece. Se a altura da barra é tida em conta, que limitação deve ser definida. A altura total deste conjunto... e outros detalhes são possíveis.
A imagem é apenas uma ilustração das fases 1 e 2.
as cores das velas estão bem aí?
pedir esta "configuração" não parece ser um problema.Eu gostaria de ensinar a neurônica a vê-la (mais precisamente a parte que configura 1), a fim de resolver dois problemas:
1) para sair dele o que viu, para entender "o que está viciado" na montagem e através dele para entender melhor o que eu vejo e quais são exatamente as características do gráfico.
2) para transferir o comércio para ele ou (uma opção mínima) para colocar uma campainha.
A minha pergunta aos profissionais, por favor informe se o problema está configurado corretamente e para onde ir a fim de resolvê-lo.
A foto é apenas uma foto para deixar claro o que eu chamo de cenário.
1) Tirar o que ela viu, entender "o que ela está viciada" na montagem e através disso entender melhor o que eu vejo e quais características do gráfico são importantes.
Provavelmente como resultado do ano você vai se certificar que após o padrão 1, o padrão 2 acontece cerca de 50% do tempo, nos outros 50% será vice-versa(duplo topo, seguido de uma queda e muitas outras variações). A falta de sinais de sucesso entre os frequentadores deste ramo prova-o.
O homem vê mais do que aquelas 6 barras de padrão 1. Se você puder fazer isso - melhor negociar manualmente do que passar um ano.
Eu gostaria de ensinar a neurônica a vê-la (mais precisamente a parte que configura 1), a fim de resolver dois problemas:
1) para sair dele o que viu, para entender "o que está viciado" na montagem e através dele para entender melhor o que eu vejo e quais são exatamente as características do gráfico.
2) para transferir o comércio para ele ou (uma opção mínima) para colocar uma campainha.
Minha pergunta aos profissionais, por favor informe se o problema está configurado corretamente e para onde ir a fim de resolvê-lo.
Apenas uma foto, apenas uma foto para deixar claro que eu chamo a armadilha.
Uma das opções mais simples é fazer uma amostra de treinamento de oito barras de entrada com uma relação de cor (direção) de 2:1:2:1:2 e uma saída (alvo) sobre a previsão de qual treinamento pode ser feito.
Esta abordagem irá naturalmente diminuir a eficiência do padrão, mas a probabilidade da sua observância e reconhecimento será maior, e é importante para o início compreender se há peixe dentro dele.
Se tal variante se encaixar, eu posso fazê-lo, será obscuro nas redes neurais, mas na resolução de árvores deve ser OK - com lógica legível.
Isso é fixe. É um pouco barulhento, no entanto.
Sim, você pode mudar as configurações lá também. Eu sou demasiado preguiçoso.
O mais provável é que seja um disparate no final, como qualquer previsão vr.
Quero ensinar a neurônica a vê-la (mais precisamente a parte que configura 1) para resolver dois problemas:
P.S. Estou calmo sobre o fato de que levarei um ou dois anos para resolver isso, e ainda mais calmo para colaborar com um profissional.
Neurônica (MLP) e outros classificadores (floresta aleatória, SVM, kNN, etc.) são necessários para automaticamente para procurar tais e muito mais padrões não triviais, Para o seu problema, uma simples convolução (produto escalar deslizante) serve, pode ser programado do zero em uma hora, e com ferramentas prontas em minutos, você não precisa de um ano.
Mas posso decepcioná-lo de antemão, que a probabilidade de sucesso é próxima de zero, porque todas essas estruturas simples são encontradas sem problemas por autômatos, e se você conseguiu trocar de mãos em lucro, isso significa que além do padrão que você usou uma série de condições auxiliares, que provavelmente são "óbvias" para você, mas ainda assim afetam significativamente o resultado. Lembras-te do conto sobre a "sopa de machado"? É o mesmo com muitas formações de castiçais em comerciantes manuais, parece um padrão simples, mas antes desse comerciante olhar para todas as notícias, todos os mercados, ouvir fofocas e negociações ou não um padrão simples)))
nunca ninguém realmente entendeu hmm, somente ao nível de cópia burra de libs? você não pode reescrevê-lo em mql? você está apenas jogando todo tipo de cocô de rede neural no mercado
Já agora, isto é o básico. Vou ter de voltar a escrever um artigo.
Talvez nunca tenhas lido artigos de outros autores excepto este, certo? Onde é que se podem tirar conclusões tão generalistas?
Os modelos Markov escondidos na sua forma pura não são aplicáveis ao nosso caso. Nas nossas séries cronológicas, a mudança de estado não ocorre em todas as etapas do tempo. O estado dura vários (muitos/pequenos) ciclos do relógio e com cada passo a probabilidade da mudança de estado muda. Tais modelos Markov são chamados modelos Semi-Markov. Em um dos meusartigos eu apliquei tais modelos para suavizar os estados previstos de um alvo. Isto é, as sequências improváveis foram eliminadas usando hsmm. Alguns "académicos" aqui ficaram chocados quando mencionaram que o HSMM pode ser usado para suavizar uma sequência nominal. Acontece.
Para ajudá-lo a escrever um artigo sobre este tema e traduzir a matemática para hsmm, eu estou anexando a literatura. É uma em que trabalhei a fundo. Baixe do Dropbox nolink (~46MB). As embalagens em R : mhsmm, SemiMarkov, markovchain, HiddenMarkov, hmm.discnp, HMMmlselect são apenas as que eu verifiquei num relance.
Boa sorte neste caso sem esperança (quero dizer, tradução para MKL).
Você provavelmente não lê artigos de outros autores além deste tópico e dos seus próprios? De onde tiras essas conclusões generalizadoras?
Os modelos Markov escondidos na sua forma pura não são aplicáveis ao nosso caso. Nas nossas séries cronológicas, a mudança de estado não ocorre em todas as etapas do tempo. O estado dura vários (muitos/pequenos) ciclos do relógio e com cada passo a probabilidade da mudança de estado muda. Tais modelos Markov são chamados modelos Semi-Markov. Em um dos meus artigos eu apliquei tais modelos para suavizar os estados previstos de um alvo. Isto é, as sequências improváveis foram eliminadas usando hsmm. Alguns "académicos" aqui ficaram chocados quando mencionaram que o HSMM pode ser usado para suavizar uma sequência nominal. Acontece.
Para ajudá-lo a escrever um artigo sobre este tema e traduzir a matemática para hsmm, eu estou anexando a literatura. É uma em que trabalhei a fundo. Baixe do Dropbox no link(~46MB). As embalagens em R : mhsmm, SemiMarkov, markovchain, HiddenMarkov, hmm.discnp, HMMmlselect são apenas as que eu verifiquei num relance.
Boa sorte neste caso sem esperança (quero dizer tradução para MKL).
Obrigado, eu já reescrevi tudo, mas para tarefas discretas.
Não sei como o fazer para os contínuos.
foi oferecida a opção de filtragem em vez de suavização por Mitramiles, ele escorregou seu conjunto de dados e perguntou por que nada funcionava para ele na janela de sc. Eu perguntei: você consegue entender matemática de hmm, não apenas usar pacotes para entender porque não funciona? Foi tudo o que eu perguntei.
Obrigado, eu já reescrevi tudo, mas para tarefas discretas.
para tarefas contínuas que eu ainda não descobri como.
Sugeri filtrar em vez de suavizar pelo Mitramiles, ele deu-me o seu conjunto de dados e perguntou-me porque não funcionava na janela do sk. Eu perguntei: você não sabe matemática de hmm, e não apenas usar pacotes para entender porque não funciona? Foi tudo o que eu perguntei.
Então ainda não viste os meus posts anteriores. Eu levei-o pessoalmente.
Olha para a literatura, vai ajudar-te muito. Há alguns em russo.
Boa sorte novamente.