Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 42
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
Olá!
Eu tenho duas perguntas para você.
1) em relação às redes recorrentes da página anterior, eu joguei o pacote "rnn" é realmente meio estranho e mal concebido e mudei para o "RSNNS", levei a rede "Elman" e joguei os dados todos funcionaramNão entendo onde e como definir "até onde a rede se lembra de si mesma no passado" em "rnn", onde ficou imediatamente claro que cada variável foi transformada em uma matriz com um número. As colunas correspondiam ao tamanho da memória da rede, mas não encontrei tal parâmetro no"RSNNS", mas é impossível que não estivesse lá, pois a essência da rede recorrente está exatamente nela.
2) O que devo procurar no"rminer"? Se você quer dizer algo como "arima", então não vai funcionar.
Eu tentei escrever um alvo tão classificador para fazer várias previsões de passos, mas falhei, os resultados foram estranhos, primeiro a qualidade caiu (é normal porque a previsão não está na 5ª ou 10ª vela), a anti-correlação ainda estava presente embora menos pronunciada, mas o truque é que eu não consegui a antecipaçãoParece-me que as inversões do indicador foram as mesmas que as inversões do mercado, ou seja, recebi algo de pior qualidade, mas não entendo porque aconteceu assim...
Bom dia.
1. A rede Elman, como a rede Jordan, só se lembra do passo anterior. Para explicar muitos passos anteriores, você precisa encadear os RNNs juntos, este é o chamado LSTM. Este artigo descreve essas redes de forma bastante lúcida. Infelizmente eles são implementados em Python. Mas isso não é um problema, pois não? Python e R estão perfeitamente integrados.
2. O Rminer tem a função lforecast - Executa previsões em vários passos iterativamente usando previsões com 1 cabeça como inputs . Por falar em previsões de múltiplos passos, você quer dizer regressão?
Boa sorte.
Conclusão: É necessário pegar cada atributo e extrair dele algo útil. Tenho algumas idéias sobre como fazer isso, mas antes de dizer isso, gostaria de ouvir seus pensamentos, idéias e sugestões sobre o assunto
Você só pode extrair algo de um recurso usando dados históricos. Quando um novo bar entra, o sinal deve prever algo e, para que ele possa prever, deve ter capacidade de previsão. A capacidade de previsão é alguma potência de um traço, é quando alguns valores de um traço predizem uma classe e outros valores de um traço predizem outra classe. Eu já dei um exemplo de tal capacidade de previsão. Alvo: "homens/mulheres". Traço: "roupa". Se o atributo tem apenas dois valores: calças/saias, então numa sociedade muçulmana tal atributo com estes valores prevê inequivocamente a classe. Mas na sociedade não-muçulmana, há roupas unisexo, além de um grande número de outras denominações.
Então o problema de determinar a capacidade de previsão do atributo vestuário para uma variável alvo que tem dois valores da classe masculino/feminino é formulado da seguinte forma: que percentagem de valores do atributo vestuário irá prever exclusivamente o masculino e que percentagem irá prever o feminino? Se é uma sociedade ocidental e todas as roupas são unisexo, então o atributo "roupa" não tem poder preditivo. Numa sociedade muçulmana, o traço do traje teria muito boa capacidade de previsão. Se tornarmos o nosso exemplo mais real, introduzindo a age...., teremos mais capacidade de previsão real. Será específico e essa capacidade de predição determinará o erro de predição.
Ou seja, da capacidade de previsão do preditor vem o erro de previsão, e se o modelo escolhido corresponde ao problema em questão, esse erro depende pouco da escolha do modelo.
A partir de ideias e sugestões.
Já os expressei muitas vezes neste tópico e neste fórum. A principal dificuldade é que o meu ponto sobre o "poder preditivo" ainda não foi compreendido.
Das ferramentas que eu dei um link para um artigo e oDr.Trader tentou aplicar, mas sem sucesso. Atribuo a negatividade do seu resultado à especificidade do seu conjunto de características: um grande número de características que têm pouco valor. É um conjunto de características muito específicas para o Forex. Em forex qualquer atributo pode ter milhares de valores, e o seu pode ter dezenas.
Já os expressei muitas vezes neste tópico e neste fórum. A principal dificuldade é que o meu ponto de vista sobre a "capacidade de previsão" ainda não foi compreendido.
Talvez porque este ponto de vista não é suportado por testes ou resultados de testes da sua parte? :)
Em geral, por que esses quilômetros de iluminação, a questão era como obter utilidade dos atributos, não como selecionar traços, estas são coisas diferentes e aqui sua referência a um artigo geralmente para colocar ...
Talvez porque este ponto de vista não é apoiado por testes ou resultados de testes da sua parte? :)
Em geral, porque é que estas iluminações de quilómetros de comprimento, a questão era como obter traços úteis delas, não como seleccionar traços, estas são coisas diferentes e aqui a sua referência a um artigo geralmente não se encaixa em ninguém ...
Tens de escrever uma enciclopédia com um quilómetro de comprimento. Em resumo: um traço é um todo e nada pode ser retirado dele. Você pode determinar se toda a característica se encaixa ou não.
PS.
Eu faço uma seleção personalizada de características que têm poder de previsão. Ao usar os traços que são selecionados usando meu algoritmo, eu obtenho modelos sem reciclagem.
Tens de escrever um libreto com um quilómetro de comprimento. Em poucas palavras: uma característica é um todo e nada pode ser tirado dele. Você pode determinar se toda a característica se encaixa ou não.
PS.
Eu personalizo características que têm poder de previsão. Usando os recursos selecionados usando o meu algoritmo, recebo modelos sem reciclagem.
Uau, fixe... ...queres contar-me os resultados específicos do teu modelo sem formação? Ou este tópico também será "pulado" como com o seu robô que "parece estar funcionando " e "parece estar ganhando"?
E Sanych, podes parar já com isso?!?
Já compreendo tudo há muito tempo...
Isto não é bom em relação aos outros participantes que o lêem e depois passam o seu tempo na estrada para lado nenhum.
Uau, fixe... talvez você nos diga alguns resultados específicos do seu modelo sem formação? Ou vais continuar a falar sobre isso como falaste com o teu robô ?
E Sanych, podes parar já com isso?!?
Já compreendo tudo há muito tempo...
Isto não é bom em relação a outros jogadores que o lêem e depois passam o seu tempo na estrada para lado nenhum, para não dizer mais nada.
Vamos pensar como funciona um comerciante profissional(lembre-se, ainda estou exagerando :)) que só tem dois sinais - níveis e indicador "RSI". E há um sistema de negociação onde uma negociação de venda soa assim - se o nível for quebrado para cima e o RSI for maior que 0,9, então venda...
O que é um sistema de trading? Neste caso, o sistema de trading age como um filtro de dados, um filtro que não deixa o trader entrar em ruído, e a proporção de ruído neste exemplo com RSI não é uma piada 95% porque RSI varia de -1 a 1, e o trader só precisa que >0.9 esses 5% ...
Funcionará se tomarmos uma dúzia de indicadores com uma dúzia de desfasamentos diferentes. Mas, que indicadores usar e com que desfasamentos devem ser determinados. Para começar com um grande conjunto deles, selecione alguns de acordo com certas regras e a soma de todas essas centenas de preditores finais lhe dará uma chance real de predizer o futuro. Pegue um modelo florestal aleatório, alimente-o com dados e construa uma árvore de decisão. Por exemplo, se rsi[20] > 0.4, e ma(16)[20] > 1.2, etc. - então é uma compra. E se rsi < 0.1 então está a vender. Você pode ver um exemplo de como é a floresta aquihttp://www.intuit.ru/studies/courses/6/6/lecture/174 . Em geral, a floresta lhe dará os atributos com valores úteis e limiares para dezenas de indicadores.
Há uma subtileza que a floresta tende a exaurir. Se junto com os preditores úteis você alimentar a floresta com lixo, a floresta o acrescentará à sua lógica. E de acordo com a regra "o lixo entra leva ao lixo sai" qualquer previsão de modelo baseado no lixo na frente dos dados será aleatória e inútil. Você deve sempre considerar isso ao selecionar os preditores, e fazer validações cruzadas para testar o modelo.
Não é bom, para dizer o mínimo, para outros membros que o lêem e depois perdem o seu tempo a andar na estrada para lado nenhum.
Concordo plenamente com o que SanSanych já escreveu aqui, recomendo que ouçam. Aprendi muito com ele, verifiquei-o e tomei nota.