Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2571
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
Eu entendi corretamente o que você está fazendo?:
1) Temos 1 árvore.
2) cada nó pode dar até 10 ramos (na figura encontrada é menos, vamos supor 10 ramos), cada ramo é gerado por 1 quantum (um quantum é um pedaço de preditor em 10%: percentil ou 10% em amplitude, dependendo de qual método de quantização foi utilizado).
3) após a primeira divisão, encontramos 3 quanta, que posteriormente levam a uma folha bem sucedida
4) as divisões subsequentes encontram mais algumas boas divisões/quanta levando a folhas bem sucedidas
5) memorizamos os quanta bem sucedidos antes das folhas bem sucedidas
6) construímos uma nova árvore, que usa como preditores apenas os quanta que selecionamos
Para fazer isso com o mesmo método que quantificamos a primeira árvore, quantificar os preditores com nosso roteiro, obtemos 1000 preditores em 100, eles já são binários 0 ou 1. Se o valor do preditor estiver neste intervalo, ele = 1, se não estiver, ele = 0.
Como só selecionamos caminhos/quanta de sucesso, todos os valores do quanta selecionado = 1. Se todos os palpiteiros = 1, então a nova árvore não pode aprender. A resposta já é conhecida.
Ou já não há necessidade de construir uma nova árvore? Simplesmente se o valor do preditor cair em um quantum escolhido, vamos agir imediatamente?
Eu não construo uma árvore na primeira fase, mas se representarmos através de uma árvore, devemos construir tal árvore que irá selecionar todas as faixas de previsão de uma só vez, ou seja, em cada folha separadamente. Então avalie cada uma dessas folhas, e se ela se encaixa no critério, então salve a cadeia de fendas. Mas, prefiro 3 matrizes para extração de alcance/quantum - assim implementadas no modelo final.
Como está, tudo parece estar correto, eventualmente construímos o modelo mais adiante nestas folhas selecionadas (quanta/grande).
Para o modelo "1" não significa uma resposta 100% correta - a tarefa do modelo é agregar as respostas, construir algum tipo de correlação e distribuir os pesos.
Se você pode fazê-lo sem um modelo depende de como a precisão da previsão muda, e em que turno pode ser rentável - algumas estratégias se tornam rentáveis mesmo com 35% de insumos corretos. A maneira mais fácil que eu tentei foi somar apenas o número de pessoas (eu também as agrupei) e esperar obter um sinal na entrada no limiar total.
Provavelmente, o uso de antecipação ou inclusão de tempo nos preditores.
É claro que o tempo está nos preditores, mas revelará uma ciclicidade estável, mas não uma expectativa de desvio do preditor.
Não estou a compará-los, estou a dizer que ambos podem ser "pintados". E quer eles o façam ou não, nem você nem eu sabemos ao certo. Acho que às vezes eles desenham e às vezes não. E nos momentos em que eles não sacam, podemos ganhar alguma coisa.
Além deOanda e CME , eu não sei. Os outros têm apenas gráficos de preços e volumes de tick.
Exceto para oanda e CME ?
Você está comparando novamente!!!!
Com CME recebo volumes, com DM recebo sentimentos.
A EMC não tem sentimentos
Sem volume do DME.
Não são a mesma coisa!!! Venham à razão, tenham piedade do meu teclado... POR FAVOR:)
Além de oanda e CME ?
Você está comparando novamente!!!!
Com a CME eu tomo volumes, com a DM eu tomo sentimento.
A EMC não tem sentimentos.
Sem volume do DME.
Não são a mesma coisa!!! Venham à razão, tenham piedade do meu teclado... POR FAVOR:)
Outra vez. Não estou a compará-las, estou a dizer que ambas podem ser "desenhadas".
E o que eles têm em comum é que eles são os únicos que são diferentes de todos os outros, que só têm um gráfico de preços e volumes de tick. Estes 2 dão pelo menos algo mais para analisar.
Então, quais são os outros 8 que dão mais informações do que todos eles? Será interessante de se ver.
Eu não construo uma árvore no primeiro passo, mas se você a representa com uma árvore, você precisa construir uma árvore que vai alocar todas as faixas de previsão de uma só vez, ou seja, em cada folha separadamente. Mas, prefiro 3 matrizes para extração de alcance/quantum - assim implementadas no modelo final.
Como está, tudo parece estar correcto, acabamos por construir o modelo mais à frente nestas folhas seleccionadas (quanta/grande).
Para o modelo "1" não significa uma resposta 100% correta - a tarefa do modelo é agregar as respostas, construir algum tipo de correlação e distribuir os pesos.
Se você pode fazê-lo sem um modelo depende de como a precisão da previsão muda, e em que turno pode ser rentável - algumas estratégias se tornam rentáveis mesmo com 35% de insumos corretos. A maneira mais fácil é apenas somar o número de entradas (eu até as agrupei) e esperar obter um sinal na entrada no limiar total.
Bem, se você fizer uma árvore, então selecionar apenas correntes de sucesso e usar apenas elas é uma duplicação do modelo de árvore pronta. Basta usar para negociar aquelas folhas que dão a probabilidade de sucesso necessária, por exemplo, todas as folhas com 70% de classe de probabilidade. Nas folhas com probabilidade < 70% não se reage. Isso parece-me análogo ao que me estás a fazer.
Mas estás a fazer algo através de arrays lá... Então talvez não seja assim.
É claro que há tempo nos preditores, mas isso revelará uma ciclicidade sustentada, mas não a expectativa de desvio do preditor.
Eu não me expressei correctamente. O que se pretendia era que os pesos dependentes do tempo fossem adicionados à função de perda. Quanto mais próximo do final do período de aprendizagem, mais peso é adicionado. As variantes com e sem ponderação darão perdas diferentes, se mesmo em média (sem pesos) fossem as mesmas. Mas é claro que devias experimentar.
Então, quais são os outros 8 que dão mais informações do que todos eles? Será interessante de se ver.
Porquê?
Tenho de ir ao Google 10 links agora para colar aqui para quê?
O que vais fazer com isso?
99,999% de certeza que não é nada, apenas um desperdício do meu tempo.
Eu digo-te, há cerca de 17 choques de Washington que te dão as posições dos clientes deles.
Procura-o no Google.
Aqui está um que eu encontrei.
o fórum é alérgico a alguns linksBem, se você fizer uma árvore, então selecionar apenas correntes de sucesso e usar apenas elas é uma duplicação do modelo de árvore pronta. Basta usar para comercializar aquelas folhas que dão a probabilidade de sucesso desejada, por exemplo, todas as folhas com uma classe de probabilidade de 70%. Nas folhas com probabilidade < 70% não se reage. Isso parece-me análogo ao que me estás a fazer.
Mas estás a fazer algo através de arrays lá... por isso talvez não seja análogo.
Eu tenho essa abordagem, ao selecionar as folhas da árvore, mas lá eles usam correlação de diferentes preditores, enquanto aqui estamos falando de selecionar um segmento de preço de um preditor através da árvore - eu tive uma melhoria máxima de precisão em relação à média de 15% em tal segmento (intervalo/quantum).
Eu não me expressei correctamente. O que se pretendia era que os pesos dependentes do tempo fossem adicionados à função de perda. Quanto mais próximo do final do período de treinamento, mais peso é adicionado. As variantes com e sem ponderação darão perdas diferentes, se mesmo em média (sem pesos) fossem as mesmas. Mas é claro que se tem de experimentar.
Penso que no início é necessário calcular de alguma forma as estatísticas, se faz sentido, e depois implementar no processo de formação.
Portanto, a questão permanece - como fazê-lo corretamente.
Suponha que eu tenha 3 sequências binárias com 10 pontos de medição em intervalos de tempo comparáveis.
A[]={1,0,0,1,1,1,1,1,0,1};
B[]={1,1,1,1,1,1,1,0,0,1};
C[]={1,1,0,1,1,1,0,1,0,1};
E assim eu quero entender/plotar como a probabilidade de uma unidade mudar à medida que as unidades aumentam em uma linha.
Compreendo que devo contar o número de sequências para começar, mas mais uma vez, devo contar sequências longas como uma ou devo contá-las separadamente, por exemplo, 1111 dividido em 1,11, 111 e 1111 ou são apenas 11?
E depois o que fazer - como avaliar se existe um padrão ou uma aleatoriedade do processo?
Para quê?
Obrigado. Vou dar uma vista de olhos, para começar. Talvez eu pense em algo para usar.