Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 337

 
elibrarius:
А как у Chaos Hunter? Дайте конкретную ссылку

тоже интересно
 
Dr. Trader:

Никто не будет тратить месяцы на разработку стратегии, и потом идти хвастаться ей на демо счёте. Такие вещи идут торговаться на реал, и история сделок прячется от всех. Я тут на форуме даже читал как люди специально торгуют на двух брокерах, поочерёдно сливая на одном и компенсируя потери на другом, чтоб даже брокер не знал какие сделки были совершены по стратегии, а какие - левые.

Результаты есть. Иногда найденные хорошие комбинации предикторов и модель приносят прибыль пару месяцев, чаще - меньше. Но на их место приходят другие.


Лично моё мнение - нейронка, лес, регрессии - всё это слишком слабо для форекса. Причина в том что поведение цены постоянно меняется, правила которые прибыльны сегодня могли быть вообще неприбыльны неделю назад. А стандартный подход - взять индикаторы и цену за пару месяцев и обучить нейронку - означает что от неё требуется найти одинаковые правила поведения цены на протяжении всех двух месяцев. А таких правил нет, и что она там найдёт - никому неизвестно, но это будет неправильно в 99% случаев. Иногда может повезти и модель попадёт в этот 1%, но это очень далеко от грааля, и такие советники обычно хорошо торгуют до первого стоп лосса и потом их можно выкидывать. 

Я сейчас изучаю модели распознавания паттернов которые смотрят на истории как вела себя цена после похожих паттернов, и такой статистикой и торгуют.
В R я не видел пакета который бы делал всё что мне нужно, у меня модель по кускам собрана из других, плюс свои велосипеды. Само близкое по смыслу описание модели я видел в другой теме, я бы советовал начать создание своего грааля с этого (цитата ниже). В процессе появятся новые проблемы, над ними придётся думать и экспериментировать.


2 месяца - это мало, т.к. невозможно точно определить - когда придет в гости Колян.

Всем успеха!

 
elibrarius:

Если не ошибаюсь, то RNN будет крайне сложно реализовать в МТ5, да и для хороших результатов нужна либо покупная либо собственная разработка с огромными трудозатратами.

А если в МЛП, кроме информации о цене, индикаторах на текущем баре - передавать все тоже самое за 10-30 предыдущих баров, то это будет своеобразной памятью. Часть нейронов будет обрабатывать текущее состояние, а часть развитие ситуации в ближайшем прошлом.


Не будет все равно работать как надо, там совсем разные принципы работы.. МЛП просто классифицирует в итоге предикторы по группам бай/селл, если сможет, а если не сможет будет опять кашу на выходе продуцировать. Т.е. вместо МЛП можно рэндом форест использовать, то же самое будет, и не заморачиваться
 
Maxim Dmitrievsky:

На OpenCL, не если не лень ))

OpenCL - вроде только на своей машине может считать, а не в сети. Боюсь 1-го компа будет мало.

Я смотрю в сторону фреймов, и переписывания ALGLIB с сохранением данных каждого прохода в файл, потом например каждый тысячный проход (или по окончании цикла обучения- эпохи) этот файл считывается и дается разрешение агентам (через файл) на расчет следущей эпохи. Хотя вот уже вижу проблему - удаленые агенты смогут ли файл-разрешение считывать....? надо разбираться. Кажется нет((

Разнести вычисления получится только для самого простого варианта вроде https://www.mql5.com/ru/articles/497 но он уж слишком простой, однослойный, и не понятно, как его обучать собственными командами.

Нейронные сети - от теории к практике
Нейронные сети - от теории к практике
  • 2012.10.06
  • Dmitriy Parfenovich
  • www.mql5.com
В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования.
 
elibrarius:

Я смотрю в сторону фреймов, и переписывания ALGLIB с сохранением данных каждого прохода в файл, потом например каждый тысячный проход (или по окончании цикла обучения- эпохи) этот файл считывается и дается разрешение агентам (через файл) на расчет следущей эпохи. Хотя вот уже вижу проблему - удаленые агенты смогут ли файл-разрешение считывать.... надо разбираться.

Разнести вычисления получится только для самого простого варианта вроде https://www.mql5.com/ru/articles/497 но он уж слишком простой, однослойный, и не понятно, как его обучать собственными командами.


Там создать несколько таких нейрончиков, и добавить дополнительные веса в инпуты для связей между нейронами (точно так же как для весов между входным слоем и нейроном), только инпутов будет оч. много. Зато опенцл не нужен будет, в облаке быстро посчитает

т.е. от первого нейрончика будет 5 связей до 5 нейрончиков во втором слое, а от них еще 5 связей с выходным, как-то так

ну а обучается он в оптимизаторе через подбор весов, потом наилучший прогон из оптимизатора выбирать

 

Именно так и представлял )

Только боюсь, что будет не 5 нейрончиков, а не менее 500 (если данные за несколько баров подставлять, как аналогию памяти).

А что с обучением на заданных вручную или зигзагом командах? Никак не прикрутить?

 
elibrarius:

Именно так и представлял )

Только боюсь, что будет не 5 нейрончиков, а не менее 500 (если данные за несколько баров подставлять, как аналогию памяти).

А что с обучением на заданных вручную или зигзагом командах? Никак не прикрутить?


Почему, просто на выход ему будете подавать 0 или 1, в зависимости  рос зигзаг или падал, ну то есть на вход подается смещенная на n баров назад история, а на выход прогноз - росло или падало
 
Maxim Dmitrievsky:

Почему, просто на выход ему будете подавать 0 или 1, в зависимости  рос зигзаг или падал, ну то есть на вход подается смещенная на n баров назад история, а на выход прогноз - росло или падало
Если в этом коде https://www.mql5.com/ru/articles/497 вместо вычисленных выходов использовать подстановочные, то мы будем иметь одинаковый результат при любой комбинации входных данных, - мы ведь всегда будем использовать заранее подставленный ответ. Т.е. не будет обучения.
Нейронные сети - от теории к практике
Нейронные сети - от теории к практике
  • 2012.10.06
  • Dmitriy Parfenovich
  • www.mql5.com
В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования.
 
elibrarius:
Если в этом коде https://www.mql5.com/ru/articles/497 вместо вычисленных выходов использовать подстановочные, то мы будем иметь одинаковый результат при любой комбинации входных данных, - мы ведь всегда будем использовать заранее подставленный ответ. Т.е. не будет обучения.


так разные же выходы будут

а ну понял, тут недонейрон )

 
Maxim Dmitrievsky:

так разные же выходы будут

не понимаю вашу идею (