Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 337
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
E o Chaos Hunter? Dá-me uma ligação específica.
interessante também.
Ninguém vai passar meses a desenvolver uma estratégia e depois vai gabar-se dela numa conta de demonstração. Tais coisas são negociadas no real, e o histórico de transações é escondido de todos. Até li no fórum como as pessoas negociam propositadamente em dois corretores, revezando-se perdendo em um e compensando as perdas no outro, de modo que até o corretor não sabe quais negociações foram feitas pela estratégia e quais foram falsas.
Há resultados. Às vezes, boas combinações de preditores e o modelo trazem lucro por um par de meses, mais frequentemente - menos. Mas eles são substituídos por outros.
Minha opinião pessoal - neurônica, floresta, regressões - tudo isso é muito fraco para forex. A razão é que o comportamento dos preços está sempre a mudar, as regras que hoje são lucrativas podem não ter sido lucrativas há uma semana atrás. E a abordagem padrão - tomar indicadores e preço por um par de meses e treinar a neurônica - significa que ela deve encontrar as mesmas regras de comportamento de preço para todos os dois meses. E não existem tais regras e ninguém sabe o que vai encontrar, mas estará errado 99% do tempo. Às vezes o modelo pode ter sorte e cair nesse 1% mas está muito longe do graal e tais Conselheiros Especialistas geralmente negociam bem até a primeira parada de perda e depois podem ser expulsos.
Atualmente estou estudando modelos de reconhecimento de padrões que observam o comportamento dos preços após padrões similares na história e no comércio com tais estatísticas.
Ainda não vi um pacote em R que faça tudo o que eu preciso, tenho um modelo montado em peças de outros, mais as minhas próprias motos. O mais próximo que eu vi de uma descrição de modelo está em outro fio, eu aconselharia começar a construir seu graal com isso (citação abaixo). Novos problemas surgirão no processo, você terá que pensar e experimentar sobre eles.
2 meses não é suficiente, pois não há como saber ao certo quando Kolyan vai visitar.
Boa sorte a todos!
Se não estou enganado, o RNN seria extremamente difícil de implementar no MT5, e para bons resultados você precisa ou comprar ou desenvolver o seu próprio, com grandes entradas de mão-de-obra.
E se no MLP, excepto para informação sobre preços, indicadores na barra actual, transmitimos toda a mesma informação para 10-30 barras anteriores, será uma espécie de memória. Uma parte dos neurónios irá processar o estado actual, e outra parte irá processar a situação no passado mais próximo.
Não vai funcionar como deveria, existem princípios de funcionamento bastante diferentes... O MLP simplesmente classificaria os preditores em grupos de compra/venda, se puder, e se não puder, voltará a produzir papa na saída. Ou seja, você pode usar Random Forest ao invés de MLP, será o mesmo e você não terá que se preocupar com isso.
No OpenCL, não se você não for preguiçoso ))
O OpenCL parece ser capaz de ler apenas em sua própria máquina, não na rede. Receio que o 1º PC não seja suficiente.
Eu estou olhando para frames, e sobrescrevendo ALGLIB com salvar cada dado de passe em um arquivo, então por exemplo a cada milésimo passe (ou no final do ciclo de treinamento-epoch) este arquivo é lido e a permissão para os agentes (via arquivo) para calcular a próxima época é dada. Embora eu já veja um problema - os agentes remotos serão capazes de ler o file-permission....? precisam de o descobrir. Eu acho que não((.
Somente a variante mais simples como https://www.mql5.com/ru/articles/497 será capaz de separar cálculos, mas é muito simples, de uma camada, e não está claro como treiná-la com seus próprios comandos.
Eu estou olhando para frames, e reescrevendo ALGLIB com dados de gravação de cada passe para um arquivo, então por exemplo a cada milésimo passe (ou no final do ciclo de treinamento-epoch) este arquivo é lido e a permissão é dada aos agentes (via arquivo) para calcular a próxima época. Embora eu já veja um problema - se os agentes remotos forem capazes de ler o ficheiro-permission.... vamos ter de descobrir.
Os cálculos podem ser distribuídos apenas para a versão mais simples, como https://www.mql5.com/ru/articles/497, mas é muito simples, de camada única, e não está claro como ensiná-lo por seus próprios comandos.
Criar alguns neurônios desse tipo, e adicionar pesos extras às incursões para conexões entre neurônios (assim como para pesos entre a camada de entrada e o neurônio), só que haverá muitas incursões. Por outro lado, não vai precisar de uma oportunidade, vai calcular rapidamente na nuvem
ou seja, do primeiro neurônio serão 5 conexões para 5 neurônios na segunda camada, e deles mais 5 conexões para a saída, de alguma forma
e é treinado no otimizador por seleção de peso e, em seguida, a melhor corrida a partir do otimizador para escolher
Exactamente como imaginado )
Apenas receio que não serão 5 neurónios, mas pelo menos 500 (se os dados de várias barras forem substituídos, como uma analogia para a memória).
E que tal aprender em comandos manuais ou em ziguezague? Não há forma de o enroscar?
Exactamente como imaginado )
Apenas receio que não serão 5 neurónios, mas pelo menos 500 (se os dados de várias barras forem substituídos, como uma analogia para a memória).
E que tal aprender em comandos definidos manualmente ou em ziguezague? Não há maneira de o enroscar?
Porque, apenas na saída será dado 0 ou 1, dependendo se o ziguezague estava subindo ou descendo, ou seja, a entrada é dada o histórico deslocado de volta por n barras, e a saída - se estava subindo ou descendo
Porquê, basta alimentá-lo com 0 ou 1, dependendo se o ziguezague subiu ou caiu, ou seja, a entrada é um n barras da história deslocadas para trás, e a saída é uma previsão - se subiu ou caiu
Se utilizarmos saídas de substituição em vez de saídas calculadas neste código https://www.mql5.com/ru/articles/497, então teremos o mesmo resultado para qualquer combinação de entradas - afinal de contas, utilizaremos sempre a resposta pré-especificada. Isto é, não vai haver aprendizagem.
portanto, haverá diferentes resultados
Oh, estou a ver, isto é um não-neuron.)
portanto, haverá diferentes resultados
não entendo a sua ideia (