Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 51
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
Saudações!!!! Eu uso a LibVMR mas parece uma versão antiga, porque o erro "Bad Data" aparece. Eu entendo que há uma nova versão. Onde posso fazer o download? Se for possível?
Produtos frescos e downloads são agora distribuídos através do repositório BitBucket em: https://bitbucket.org/jprediction/jprediction/downloads
O nome do projeto também mudou de libVMR para jPrediction
Não está muito claro? Você está tomando os preços como OHLC para padrões ou alguma transformação dos mesmos?
A questão é que se tomarmos OHLC como está, um padrão similar 1000 pontos mais alto ou mais baixo do que o que está sendo comparado será mais diferente pela distância euclidiana do que um padrão totalmente diferente 10 pontos mais alto ou mais baixo do padrão comparado. E a diferença será de duas ordens de grandeza e, portanto, o erro de comparação também será de duas ordens de grandeza.
Quando medi com Euclides, todos os vectores foram normalizados e censurados.
A solução foi encontrada.....
Se você aplicar a análise do espectro ao vetor atual (preços atuais) e decompô-lo em componentes mais simples, tais componentes podem ser encontrados mais facilmente no histórico, devido à sua estrutura simples
Eu usei o método "caterpillar" ou "ssa"http://www.milanor.net/blog/wp-content/uploads/2014/07/SingularSpectrumAnalysisWithRssa.pdf para a decomposição.
Procuramos os análogos na história e vemos como eles acabam, mas não procuramos os análogos de preço, mas sim cada um dos componentes espectrais individuais, e depois ligamo-los e obtemos uma previsão simples.
A julgar pelos primeiros testes, o tema é bastante promissor se previrmos cada um dos seus componentes separadamente. A previsão é muitas vezes correcta, mas raramente não é tendenciosa.
A cor preta indica um dos componentes atuais, a cor azul mostra o componente analógico encontrado no histórico após a linha vertical preta é um novo dado desconhecido para o algoritmo - na verdade, a previsão - como você pode ver com bastante eficácia
Mas como você vê há sempre um viés na previsão, e nem sempre um bom naturalmente, a proximidade entre analógicos procurando o caminho antigo através da correlação, eu entendo que esta é uma das formas mais inadequadas, então eu queria substituir o algoritmo que procuraria semelhanças na amplitude, fase, freqüência. Agora percebes o que quero dizer quando falo de Fourier?
Dr. Trader
Como está a sua rede neural? Treinada?
Como você faz isso?
Bem, é que antes de comparar os dois vectores, eu escalei-a com a função "escala".
escala(x = dados , centro = VERDADEIRO, escala = VERDADEIRO )
Como?
Eu me pergunto porque eu baixei a versão 6.0 porque a 5.0 não salva e não cria um arquivo de texto, então não está claro porque durante o treinamento um valor de erro e no arquivo de texto os valores são completamente diferentes???
RNeat? Não, o treino é muito lento, a condição física que define o modelo é agora de 0,018, crescendo um centésimo por dia. A precisão dos dados de treinamento e validação é agora de 0,52, muito baixa, mas pelo menos está no lado positivo e sem treinamento de reciclagem.
Ooh 52 já é melhor que 50 , como me lembro da última vez foi 0.017 por isso um centésimo aumenta a precisão das previsões em 2% ) , acho que se a rede merece atenção é melhor reescrevê-la no SI , mantenha-me informado, estou extremamente interessado ...
O fitness pode subir simplesmente porque o modelo melhorou a sua topologia e deixou cair alguns neurónios, para a mesma precisão.
Pelo que entendi dos comentários do código - é um porto de Lua. E Lua também é um porto, porque o original já estava em c++:http://nn.cs.utexas.edu?neat
Port from port é infeliz, muitas ações desnecessárias, seria melhor se o autor do RNeat tomasse o código C++ como base, e aplicasse os pacotes genéticos de R existentes para evoluir a rede.