Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 123
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
1. Yani bir cevap alamadım, kalıp nasıl oluşturuldu/belirlendi/tespit edildi? - Sorunun çok samimi olabileceğini anlıyorum, cevaplayamazsınız.
Kalıplar eğitim setinden örneklerdir. Onlar. örnekteki bir dizedir: birden çok tahmin değeri ve en az bir bağımlı değişken değeri.
mytarmailS neden kalıp kalıpları çağırıyor, yani. makine öğrenmesinin sonuçlarından ne elde edildiği tam olarak net değil mi?
2. U dönüşleri - bu çok "zor" bir cevap bile değil, genel olarak "Nerede olduğunu bilmiyorum ve ne olduğunu bilmiyorum" kategorisinden. İşte bir sonraki mumda bir tersine dönüş, değil mi? - Bir kez daha? - hayır, yanlış! - belki dördüncü mumda bir geri dönüş olacak? - evet, bir geri dönüş, 150 puan geçti, geri döndü, ama hayır, bu bir geri dönüş değildi, ama bir düzeltmeydi, yine de bir geri dönüş olmasa da... "Tersine çevirme"nin bir tanımını vermenin bir yolu yok ! - ve bu nedenle onlara yalnızca önceden değil, şu anda bile belirlemeyi öğretmenin bir yolu yoktur.
Olası geri dönüşlere gelince, onlar için grafikte noktaları işaretleyebilen göstergeler vardır (çoğunlukla oklarla). En basit örnek, yeniden çizdiği bilinen B. Williams'ın fraktallarıdır. Bu durumda, örneğin bir sınıflandırıcı yardımıyla, fraktalın yeniden çizilip çizilmeyeceği (yanlış) veya grafikte kalıp kalmayacağı (doğru) konusunda fraktalın yanlışlığını veya doğruluğunu tahmin etmeye çalışabilirsiniz. Bir fraktalın gerçekliğini doğru bir şekilde tahmin edip bir sinyalle piyasaya girerseniz ve bir sonraki fraktaldan çıkarsanız, o zaman para kazanabileceğiniz oldukça açıktır. Veya tahminin yanlış olduğu ortaya çıkarsa para kaybedin, ancak daha sonra bir sonraki fraktal için beklemeden piyasadan çıkın, böylece potansiyel kayıpları en aza indirin. Şu anda bu konu üzerinde çalışıyorum.
Bu konunun sakinlerinden, tdsequenta göstergesine göre geri dönüş noktalarının sınıflandırılması hakkında Mihail Marchukajtes pratikte uzmanlaşmıştır
Başka bir yerel sakin, ZigZag geri dönüşlerini tahmin etmeye çalışıyor: San Sanych Fomenko .
Sakinlerin geri kalanı genellikle sınıflandırılmış deseni izleyerek mumun rengini tahmin etmeye çalışır.
Başka bir yerel sakin, ZigZag geri dönüşlerini tahmin etmeye çalışıyor: San Sanych Fomenko .
Sakinlerin geri kalanı genellikle sınıflandırılmış deseni izleyerek mumun rengini tahmin etmeye çalışır.
33 geri dönüşü tahmin etmeye çalışmadım. Bunun için birçok nedeni vardır. ZZ omzuna ait olduğunu tahmin ediyorum. Bu hedef değişkeni sevmiyorum, ancak bu tahmin TS'nin yalnızca bir parçası olduğu için %30'dan az bir hata bana uyuyor.
Zaman olacak, o zaman bu başlıkta yapılan bazı değişikliklerle ZZ'nin dönüşünü kesinlikle tahmin etmeye çalışacağım.
1. Kalıplar eğitim setinden örneklerdir. Onlar. örnekteki bir dizedir: birden çok tahmin değeri ve en az bir bağımlı değişken değeri.
2. mytarmailS neden desen desenleri çağırıyor, yani. makine öğrenmesinin sonuçlarından ne elde edildiği tam olarak net değil mi?
3. Olası geri dönüşlere gelince, onlar için grafikte noktaları işaretleyebilen göstergeler vardır (çoğunlukla oklarla). En basit örnek, yeniden çizdiği bilinen B. Williams'ın fraktallarıdır. Bu durumda, örneğin bir sınıflandırıcı yardımıyla, fraktalın yeniden çizilip çizilmeyeceği (yanlış) veya grafikte kalıp kalmayacağı (doğru) konusunda fraktalın yanlışlığını veya doğruluğunu tahmin etmeye çalışabilirsiniz. Bir fraktalın gerçekliğini doğru bir şekilde tahmin edip bir sinyalle piyasaya girerseniz ve bir sonraki fraktaldan çıkarsanız, o zaman para kazanabileceğiniz oldukça açıktır. Veya tahminin yanlış olduğu ortaya çıkarsa para kaybedin, ancak daha sonra bir sonraki fraktal için beklemeden piyasadan çıkın, böylece potansiyel kayıpları en aza indirin. Şu anda bu konu üzerinde çalışıyorum .
4. Bu konunun sakinlerinden, tdsequenta göstergesine göre geri dönüş noktalarının sınıflandırılmasına göre Mihail Marchukajtes pratikte uzmanlaşmıştır
5. Başka bir yerel sakin, ZigZag dönüşlerini tahmin etmeye çalışıyor: San Sanych Fomenko .
6. Sakinlerin geri kalanı genellikle sınıflandırılmış deseni izleyerek mumun rengini tahmin etmeye çalışır.
1. Kalıp nedir - Anlıyorum ama mytarmailS tarafından nasıl ölçüldüğünü bilmiyorum (ne tür göstergeler veya başka bir şey), bu yüzden sordum (sorunların nedenlerini belirlemeye yardımcı olmaya çalışmak için) modeli).
2. Evet, net değil.
3, 4, 5 Bir geri dönüşü belirlemenize izin veren tüm araçlar ya yeniden çizin ya da bir gecikme ve değişken bir gecikme ile yapın. Şimdi geri dönüşlere odaklanmak istemiyorum, ancak geri dönüşleri belirlemenin tavsiye edilmediğini (hafifçe söylemek gerekirse) %100 kesinlikle söyleyebilirim. Hem tespitin güvenilirliği hem de açıklamanın basitliği açısından çok daha doğru olan, aşağıda anlatacağım yaklaşımdır ( sadece incelenen konuda deneyebilirsiniz ) ve fraktal 2-3 mum gecikme ile tespit edilir, bu da yine ticarette mevcut olan herhangi bir yolla kaçınılması gereken belirsizlik anlamına gelir.
6. Renk - 50/50. Seçilen ufuk ne olursa olsun, kesinlikle umutsuz.
not.
Öyleyse, piyasa fiyat tekliflerinde neyin belirsiz olduğunu ve bir ağ, ağaç, göstergelerde klasik TS veya ticaret için ne kullanmak istediğimiz için net ve aynı zamanda "yumuşak" bir yanıt olarak sunulabileceğini anlamaya çalışalım. orada. Gerçek şu ki, bu soruları yanıtlayarak, hareket halindeyken yalnızca gridler ve diğer ML yöntemlerinde değil, aynı zamanda klasik göstergelerde de karlı sistemler oluşturmak mümkün hale geliyor. Anlıyorum ki şimdi birileri hemen "hadi devletler, izleme!" diyecek. - Vermeyeceğim, kendin dene, kendin düşün.
Öyleyse, piyasa fiyat tekliflerinde neyin belirsiz olduğunu ve bir ağ, ağaç, göstergelerde klasik TS veya ticaret için ne kullanmak istediğimiz için net ve aynı zamanda "yumuşak" bir yanıt olarak sunulabileceğini anlamaya çalışalım. orada. Gerçek şu ki, bu soruları yanıtlayarak, hareket halindeyken yalnızca gridler ve diğer ML yöntemlerinde değil, aynı zamanda klasik göstergelerde de karlı sistemler oluşturmak mümkün hale geliyor. Anlıyorum ki şimdi birileri hemen "hadi devletler, izleme!" diyecek. - Vermeyeceğim, kendin dene, kendin düşün.
Bu konu makine öğrenimi ile ilgilidir ve tarihte hiçbir şey yeniden çizilmediğinden, prensipte tanımladığınız yeniden çizim sorunları yoktur.
Makine öğreniminin tüm amacı, geçmişte hedef değişkenin sınıflarından birini belirleyecek bu tür tahmin edici kombinasyonları bulmaktır. Rastgele ormanlardan bahsedersek, bunlar 5000 bardan fazla olmayan bir örnekte elde edilebilecek 300'den fazla ağaç (genellikle 50 ila 100) değildir. Örnekte daha fazla artış ağaç sayısında bir artışa yol açmaz; ağaç türleri - verilen tahmin ediciler ve hedef değişkenler için "kalıplar" sona erdi
Asıl sorun fazla uydurmadadır, gelecekteki örneklerde mevcut ağaçlar sınıfı yanlış tahmin ettiğinde, daha doğrusu sınıfı daha da kötü ve daha kötü tahmin ederler. Bu iş parçacığında ele alınan konu budur, yani: ortaya çıkan ağaçların gelecekte oluşacağını ve gelecekteki örneklerdeki sınıflandırma hatasının eğitim örneğindekiyle yaklaşık olarak aynı olacağını kanıtlamaya çalışıyoruz.
Bu konu makine öğrenimi ile ilgilidir ve tarihte hiçbir şey yeniden çizilmediğinden, prensipte tanımladığınız yeniden çizim sorunları yoktur.
Makine öğreniminin tüm amacı, geçmişte hedef değişkenin sınıflarından birini belirleyecek bu tür tahmin edici kombinasyonları bulmaktır. Rastgele ormanlardan bahsedersek, bunlar 5000'den fazla olmayan bir örnekte elde edilebilecek 300'den fazla ağaç (genellikle 50 ila 100) değildir. Örnekte daha fazla artış ağaç sayısında bir artışa yol açmaz; ağaç türleri - verilen tahmin ediciler ve hedef değişkenler için "kalıplar" sona erdi
Asıl sorun fazla uydurmadadır, gelecekteki örneklerde mevcut ağaçlar sınıfı yanlış tahmin ettiğinde, daha doğrusu sınıfı daha da kötü ve daha kötü tahmin ederler. Bu konu üzerinde ele alınan konu budur, yani: ortaya çıkan ağaçların gelecekte oluşacağını ve gelecekteki örneklerdeki sınıflandırma hatasının eğitim örneğindekiyle yaklaşık olarak aynı olacağını kanıtlamaya çalışıyoruz.
Pekala, düşündüğüm şey bu kadardı. Böyle bir tepki bekliyordum.
Yury Reshetov , eğer ilgi varsa, bana kişisel olarak yaz, sana söyleyeceğim.
1. Yani bir cevap alamadım, kalıp nasıl oluşturuldu/belirlendi/tespit edildi? - Sorunun çok samimi olabileceğini anlıyorum, cevaplayamazsınız.
evet, samimi değil, pek çok şey deniyorum, mum kombinasyonları + seviye kombinasyonları, fiyat kümeleme, ssa + kümeleme, uyarlanabilir dönemli göstergeler, Fourier, Eliot dalgalarını tanımlamanın nasıl oldukça resmileştirildiğine dair bir fikrim var ve birkaç kalabalığı tahmin etmek için daha fazla fikir, ama şimdiye kadar nasıl uygulanacağını bilmiyorum, orada her şey çok kıvırcık
Kalıplar eğitim setinden örneklerdir. Onlar. örnekteki bir dizedir: birden çok tahmin değeri ve en az bir bağımlı değişken değeri.
mytarmailS neden kalıp kalıpları çağırıyor, yani. makine öğrenmesinin sonuçlarından ne elde edildiği tam olarak net değil mi?
Bu kalıbın adını bilmiyordum, öğreneceğim, teşekkürler.
Başka bir yerel sakin, ZigZag geri dönüşlerini tahmin etmeye çalışıyor: San Sanych Fomenko .
Aslında, ZZ ters çevirmeleri yapıyorum
Şimdi geri dönüşlere odaklanmak istemiyorum, ancak geri dönüşleri belirlemenin tavsiye edilmediğini (hafifçe söylemek gerekirse) %100 kesinlikle söyleyebilirim. Hem tespitin güvenilirliği hem de açıklamanın basitliği açısından çok daha doğru olan aşağıda anlatacağım yaklaşımdır ( sadece incelenen konuda deneyebilirsiniz )
Hadi ama, bunu dört gözle bekliyorum ve ayrıca zikzak terslerinin neden buz olmadığının mantığını duymak da ilginç olurdu?
Pekala, düşündüğüm şey bu kadardı. Böyle bir tepki bekliyordum.
Yury Reshetov , eğer ilgi varsa, bana kişisel olarak yaz, sana söyleyeceğim.
Pekala, düşündüğüm şey bu kadardı. Böyle bir tepki bekliyordum.
Boşver. San Sanych'in burada oyunun bazı kişisel ve "nihai olarak doğru" kurallarını dayatma girişimlerinde tuhaflıklar var. Sonuç olarak, makine öğreniminde belirsizlik yoktur, ancak "kara kutular" kullanma konusunda tam olarak gelişmemiş birçok sorun vardır. Çünkü onlar "siyah", ki bu açıkça belli değil.
Bu konunun özü, birinin dünya görüşüne uygun olup olmadığına bakılmaksızın, makine öğrenimi ile ilgili her şeyi tartışmaktır. Kaç insan, çok fazla fikir ve tat ve renk için yoldaş yok.
ML hakkında herhangi bir yanlış anlama varsa, bunları burada tartışın - bunun için kimse sizi ısırmaz.
Sorusu olmayan ve nerede kazılacağı zaten açıkça belli olan ve yalnızca pipleri ölçmek isteyen denizciler şubeye gidebilir: Makine Öğrenimi: Teori ve Uygulama (yalnızca ticaret; yalnızca devlet girişi)
Andrey Dik :
Yury Reshetov , eğer ilgi varsa, bana kişisel olarak yaz, sana söyleyeceğim.
Yöntem aşağıdaki gibidir (aşağıdakilerin tümü hem ML hem de klasik TS için eşit olarak geçerlidir).
Önemli olan, bir yandan eğitim ve optimizasyondaki uyumdan kurtulmak anlamına gelen belirsizlikten kurtulmak, diğer yandan sistem için açık bir şekilde "yumuşak" gereksinimleri formüle etmektir. Girişteki TP ve SL de bir belirsizliktir, bu yüzden onu yalnızca acil çıkış için kullanırız (bu, enstrümanın oynaklığına bağlıdır ve ampirik olarak seçeriz ve böylece işlemlerin %100'ü mümkün olduğunca nadiren, ideal olarak hiçbir zaman durmaları tetikler. .Girişten çıkışa kadar tüm ticareti tahmin ediyoruz.Spread ve komisyonları hesaba katmadan kârlı bir sonuç olarak başarılı bir ticaret düşünüyoruz (sistemin performansı aydan sonra belirlenir, spread'i karşılayıp karşılayamayacağı ve komisyonlar.) Bir giriş sinyali aldık - girdik, sonra belirli sayıda çubuk bekliyoruz (ampirik olarak belirlenir ve tahmin edicilere ve ticaret aracına bağlıdır), bundan sonra bakarız - karda özkaynak? - anlaşmayı zararda kapatırız - başka bir çubuk bekleyin.Bazen iki parametre kullanırım: minimum çubuk sayısı ve maksimum (eğer anlaşma maksimum çubuk sayısından sonra kapatılmazsa, yine de kapanır) ve bazen sadece bir - minimum çubuk sayısı.
Birçoğu şaşıracak, ancak çoğu, hatta görünüşte umutsuz bile olsa, ML'li her türlü sistemden bahsetmek yerine, arabalardaki TS dahil olmak üzere birçok sistem çalışmaya başlar. İşin püf noktası, kendinden ve arabadan CU'nun betonarme kurallarını talep etmemek, piyasa hareketlerini tam olarak tanımlamaya çalışmamak ve ML için aynı "yumuşak" kuralları vermemektir. Ek olarak, pazarın ağır kuyruklar biçimindeki kötü mirasından kurtuluyoruz (ya da daha doğrusu kuyruklar artık önemli değil), VR'de durağanlık eksikliği önemli olmaktan çıkıyor - çünkü pazar rakamlarının dikey ve yatay olarak ölçeklenebileceğini biliyoruz. iç özelliklerini değiştirmeden (ve bu, Emlöningistler için hayatı inanılmaz derecede zorlaştırır).
Bunu 4. forumda, Svinosaurus iş parçacığında olduğu gibi, tüm araçların iki türü hakkında (belirli sınırlar ve belirsiz) yazdım, ancak orada düşünce bir şekilde bitmedi. Şimdi daha da netleşiyor, değil mi...
Genel olarak, ticaret sistemlerini geliştirirken kendi kuralımı kullanırım: mantıktaki değişiklikler, olası tüm seçeneklerden başarılı parametre seçeneklerinin oranında bir artışa yol açarsa, bunlar iyi değişikliklerdir (ticaret için kötü bir seçenek seçme olasılığı) azalır, parametreleri nasıl değiştirirsek değiştirirsek siyahta kalırız). Bu yaklaşım, araçlarımda bu payı büyük ölçüde artırdı.
Yöntem aşağıdaki gibidir (aşağıdakilerin tümü hem ML hem de klasik TS için eşit olarak geçerlidir).
Önemli olan, bir yandan eğitim ve optimizasyondaki uyumdan kurtulmak anlamına gelen belirsizlikten kurtulmak, diğer yandan sistem için açık bir şekilde "yumuşak" gereksinimleri formüle etmektir. Girişteki TP ve SL de bir belirsizliktir, bu yüzden onu yalnızca acil çıkış için kullanırız (bu, enstrümanın oynaklığına bağlıdır ve ampirik olarak seçeriz ve böylece işlemlerin %100'ü mümkün olduğunca nadiren, ideal olarak hiçbir zaman durmaları tetikler. .Girişten çıkışa kadar tüm ticareti tahmin ediyoruz.Spread ve komisyonları hesaba katmadan kârlı bir sonuç olarak başarılı bir ticaret düşünüyoruz (sistemin performansı aydan sonra belirlenir, spread'i karşılayıp karşılayamayacağı ve komisyonlar.) Bir giriş sinyali aldık - girdik, sonra belirli sayıda çubuk bekliyoruz (ampirik olarak belirlenir ve tahmin edicilere ve ticaret aracına bağlıdır), bundan sonra bakarız - karda özkaynak? - anlaşmayı zararda kapatırız - başka bir çubuk bekleyin.Bazen iki parametre kullanırım: minimum çubuk sayısı ve maksimum (eğer anlaşma maksimum çubuk sayısından sonra kapatılmazsa, yine de kapanır) ve bazen sadece bir - minimum çubuk sayısı.
Birçoğu şaşıracak, ancak çoğu, hatta görünüşte umutsuz bile olsa, ML'li her türlü sistemden bahsetmek yerine, arabalardaki TS dahil olmak üzere birçok sistem çalışmaya başlar. İşin püf noktası, kendinden ve arabadan CU'nun betonarme kurallarını talep etmemek, piyasa hareketlerini tam olarak tanımlamaya çalışmamak ve ML için aynı "yumuşak" kuralları vermemektir. Ek olarak, pazarın ağır kuyruklar biçimindeki kötü mirasından kurtuluyoruz (ya da daha doğrusu kuyruklar artık önemli değil), VR'de durağanlık eksikliği önemli olmaktan çıkıyor - çünkü pazar rakamlarının dikey ve yatay olarak ölçeklenebileceğini biliyoruz. iç özelliklerini değiştirmeden (ve bu, Emlöningistler için hayatı inanılmaz derecede zorlaştırır).
Bunu 4. forumda, Svinosaurus iş parçacığında olduğu gibi, tüm araçların iki türü hakkında (belirli sınırlar ve belirsiz) yazdım, ancak orada düşünce bir şekilde bitmedi. Şimdi daha da netleşiyor, değil mi...
Genel olarak, ticaret sistemlerini geliştirirken kendi kuralımı kullanırım: mantıktaki değişiklikler, olası tüm seçeneklerden başarılı parametre seçeneklerinin oranında bir artışa yol açarsa, bunlar iyi değişikliklerdir (ticaret için kötü bir seçenek seçme olasılığı) azalır, parametreleri nasıl değiştirirsek değiştirirsek siyahta kalırız). Bu yaklaşım, araçlarımda bu payı büyük ölçüde artırdı.