Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 427
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Temelde önemli değil. Sıfır tahmin yeteneği.
Peki tahminin bununla ne ilgisi var, bu sonucun bir değerlendirmesi, öz sermayeye gözünüzle bakmak ve karı düşüşe bölmekle aynı şey, yaklaşık SR uyandırıyor
Tahmin ne kadar dik olursa, SR o kadar yüksek olur
Peki tahminin bununla ne ilgisi var, bu sonucun bir değerlendirmesi, öz sermayeye gözünüzle bakmak ve karı düşüşe bölmekle aynı şey, yaklaşık SR uyandırıyor
Tahmin ne kadar dik olursa, SR o kadar yüksek olur
Ve bu durumda. Peki o zaman evet. Tamamen katılıyorum....
Söyle bana, burada https://www.mql5.com/ru/blogs/post/160258 RF'nin önerilenler arasında en iyi sınıflandırıcı olduğunu yazmışsın, buna katılıyorum. Peki ya 3. nesil diplerning (otomatik kodlayıcılarla), herhangi bir karşılaştırma testiniz oldu mu?
GARCH hakkında Bildiğim kadarıyla bu, oynaklığı tahmin etmek için doğrusal bir model, piyasanın yönünü tahmin etmiyor yoksa yanılıyor muyum?
GARCH bir volatilite modelidir, bir sonraki mumun yönünü ve büyüklüğünü tahmin eder. TF farklı olabilir: M5, M30, D1, herhangi biri. Ancak bunlar genellikle yüksek frekanslı ticarete kadar küçük TF'lerdir.
GARCH beni cezbediyor, çünkü uygulanması için orijinal alıntıyı, tarihte eğitilmiş GARCH'ın gelecekte tamamen aynı şekilde davranacağına dair kanıt elde edecek şekilde analiz etmek gerekiyor.
Fikir, gelecekte Uzman Danışmanın keyfi çalışması için ana kötülük olarak kabul edilen durağanlığa (değişken ortalama ve ortalamadan değişken sapma) karşı mücadeleye dayanmaktadır.
Modelin kendisinde üç bileşen vardır:
ilk aşamada fiyat artışları hesaplanır. Daha sonra bu artış için formüller yazılır:
1. ortalamanın davranışı için
2. ortalamadan davranış sapması (volatilite). Burada üstel ve eşik olanlar dahil çok sayıda seçenek var (modelin doğrusallığından bahsediyorum)
3. ortalamanın dağılım yasası.
Tüm bu parçaların parametrelerini "doğru" seçmek mümkün olsaydı, kalanlar normal olarak dağıtılmalıdır, bu da modelin gelecekteki davranışının tarihsel verilere benzer bir garantisidir.
Nedense çok kaba.
Söyle bana, burada https://www.mql5.com/ru/blogs/post/160258 RF'nin önerilenler arasında en iyi sınıflandırıcı olduğunu yazmışsın, buna katılıyorum. Peki ya 3. nesil diplerning (otomatik kodlayıcılarla), herhangi bir karşılaştırma testiniz oldu mu?
Diplerning'in biraz farklı bir opera olduğunu duydum, orada tüm konu, köşeler ve kenarlardan çizgiler basit şekiller olan resimler veya metin gibi hiyerarşik yapılarda BASİT özellikleri otomatik olarak aramakla ilgili. daha karmaşık vb. Zaman serilerine gelince, bu tamamen aynı değil. Bu nedenle, derin bir evrişimsel sinir ağı, resimlerde kedileri ve yüzleri serinkanlı bir şekilde bulursa, bu, piyasayı soğukkanlı bir şekilde tahmin edeceği anlamına gelmez, ayrıca "derin" olan her şey kullanıcılar için vahşi bir kanamadır, kullanıcılar için bile vahşi bir kanamadır. tüm ağı C++'da sıfırdan 10 kez yeniden oluşturdu, birçok parametre, her şey çok kararsız, sonuçlar rastgele. Bunun uzun yıllar yapılması gerekiyor. Ama bu benim IMHO'm değil, bunu kendi tenimde yaşamadım ve muhtemelen deneyimlemeyeceğim.
Bu kötü bir sonuç değil, sadece harika bir sonuç, eminim Rönesans'ta bile günde terabaytlarca veri ile böyle bir şey ve yakın yoktur. Sayıdaki canlı skora bakın. ben ve neden en az %45 hataya sahip olduklarını ( loggloss ~ 0.69) ve sizde %30 hata olduğunu düşünün.
Ama dediğin doğru İşlevsel olarak özelliklerle ilgili kurnazca (görünüşe göre sizin için açık değil) kendi sentetik hedef işlevinizi yarattınız ve öğrenici ve testte harika bir hıza sahipsiniz ve her şey yolunda, sanki ... Ancak, bir nedenden dolayı henüz milyarder değilsiniz, ancak bir sonraki mumun rengini tahmin etmede %30'luk bir hata yapsalardı, yaklaşık bir yıl içinde olabilirlerdi ve bunun nedeni, geleceği tahmin etmiyorsunuz, ancak gösterge aracılığıyla gelecekle karıştırılan geçmiş. Gelecekteki temiz bir dönüşü tahmin etmeye çalışın ve her şey yerine oturacaktır.
Çok şey söyledin bayım, ama özünde hiçbir şey söylemedin ve hemen herkese bağırmaman ve ZZ'de neyin yanlış olduğunu ve neyin gerekli olduğunu göstermen teklif edildi.
https://ru.stackoverflow.com/a/683632/1084
Diplerning'in biraz farklı bir opera olduğunu duydum, orada tüm konu, köşeler ve kenarlardan çizgiler basit şekiller olan resimler veya metin gibi hiyerarşik yapılarda BASİT özellikleri otomatik olarak aramakla ilgili. daha karmaşık vb. Zaman serilerine gelince, bu tamamen aynı değil. Bu nedenle, derin bir evrişimsel sinir ağı, resimlerde kedileri ve yüzleri serinkanlı bir şekilde bulursa, bu, piyasayı soğukkanlı bir şekilde tahmin edeceği anlamına gelmez, ayrıca "derin" olan her şey kullanıcılar için vahşi bir kanamadır, kullanıcılar için bile vahşi bir kanamadır. tüm ağı C++'da sıfırdan 10 kez yeniden oluşturdu, birçok parametre, her şey çok kararsız, sonuçlar rastgele. Bunun uzun yıllar yapılması gerekiyor. Ama bu benim IMHO'm değil, bunu kendi tenimde yaşamadım ve muhtemelen deneyimlemeyeceğim.
Şeytan resmedildiği kadar korkutucu değildir..
Çok zor değil, bu birkaç makaleyle başlayın ( 1 , 2 , 3 , 4 ). Her şey hemen işe yaramayacak ve netleşecek, ancak faydaları olacak.
İyi şanlar
Diplerning'in biraz farklı bir opera olduğunu duydum, orada tüm konu, köşeler ve kenarlardan çizgiler basit şekiller olan resimler veya metin gibi hiyerarşik yapılarda BASİT özellikleri otomatik olarak aramakla ilgili. daha karmaşık vb. Zaman serilerine gelince, bu tamamen aynı değil. Bu nedenle, derin bir evrişimsel sinir ağı, resimlerde kedileri ve yüzleri serinkanlı bir şekilde bulursa, bu, piyasayı soğukkanlı bir şekilde tahmin edeceği anlamına gelmez, ayrıca "derin" olan her şey kullanıcılar için vahşi bir kanamadır, kullanıcılar için bile vahşi bir kanamadır. tüm ağı C++'da sıfırdan 10 kez yeniden oluşturdu, birçok parametre, her şey çok kararsız, sonuçlar rastgele. Bunun uzun yıllar yapılması gerekiyor. Ama bu benim IMHO'm değil, bunu kendi tenimde yaşamadım ve muhtemelen deneyimlemeyeceğim.
Açıkça görülüyor ki, pratikte burada kimsenin karşılaştırma yapmadığını düşünüyorum :) Sonunda diplerning'in ormanlara göre avantaj sağlamadığı ortaya çıkarsa boşuna uğraşmamak için bilgi arayacağım. Ve bileşen MLP olduğu için, vermeyebilir ..
Bu arada 2'den fazla katmanı olan her şeye diplerning, 2 gizli katmana sahip MLP'ye de diplerning denir. Vladimir'in yukarıdaki bağlantıdaki makalede anlattığı derin ağları kastettim.
Tahmin edicilerin en önemli olduğunu yazmalarına rağmen, modeller yaklaşık olarak aynı çalıştığı için .. ancak bu bir teori, pratikte bir model seçiminin de çok önemli olduğu ortaya çıkıyor, örneğin hız ve kalite arasında bir uzlaşma , çünkü NN genellikle uzundur. ..
Eh, liba üzerinden bir grup P - MT5 pratikte hız ve rahatlık açısından kusurlu, sol yazılım olmadan bir yerele veya MT5'ten P sunucusuna doğrudan bir bağlantıya ihtiyacınız var, ancak bir yerel daha iyidir. µl başına gerekli olan sinir ağını c ++ 'dan yeniden yazmak için 1 kez ve bu kadar.
Oh, IMHO'yu eklemeyi unuttum
Hm... hmm... Her şeyi düşünüyorum, düşünüyorum...
ARMA \ GARCH gibi klasiklerden bir sürü model var. tam bir ara vermek için, CNN \ LSTM gibi, ortada bir yerde herkesin favorisi MLP \ RF \ XGB vb. Ama bu nasıl birleştirilebilir? Böylece, örneğin, özel kütüphaneler ve eğitim olmadan her yerde okunabilen evrensel bir formatta eğitimli modelleri değiştirebilir / satabilirsiniz, önemsiz olmayan bir modeli birine aktarmaya çalışan her kimse muhtemelen ne demek istediğimi anlayacaktır)))
Ve sonra o rakamı fark ettim. ben - bu sorunu çözdü! Onlara gönderilen aslında sadece tahmin değil, aynı zamanda yeterli doğrulukla örneklenmiş aptalca tamamlanmış bir modeldir. Aslında böyle olmalı, yoksa gelecekten özellikleri nasıl önceden alabilirsin ki bunlara cevap vereyim, özellikler gerçek zamanlı, önceden bilemezsin. Ancak N boyutlu uzayı bir nokta ızgarası ile doldurursanız, yeni bir noktanın tahmini, dizine göre anında bir dizi elemanı olarak aranan ızgaradan en yakın nokta(lar) olacaktır. Ve böyle bir modelde, herhangi bir basit ve sofistike modeli çevirebilirsiniz, aktarımı ve kullanımı kolaydır ve sırlarınızı açığa çıkarmadan.
Sayıya saygı duy . ai , harika fikir!
Sefil topluluğumuzda nasıl kullanılabileceğini düşünmeyi öneriyorum)))