Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1806

 

Merhaba insanlar

Deep Reinforcement Learning (Python kullanarak) kullanıyorum ve eğitim zaten devam ediyor (gösterildiği gibi):

Trabalho de aprendizado por reforço profundo


Bugün, öğrenmek için yalnızca hareketli ortalamaları bir piyasa saati olarak kullanıyorum.

Bu model birkaç işlem gerçekleştirir (alma, satma ve bekleme). Bu nedenle, eğitimden sonra model, yalnızca en iyi eylemlerle "beklemek" için birçok eylemde birleşir.

Ancak bu modelde tüm keneleri kullandığı için eğitim çok yavaştır.

Doğruluğu artırmak ve kayıpları azaltmak için piyasa gözlem verileri olarak ne önerirsiniz?

Çeviri hatalarım için özür dilerim.

 
ipsec :

Doğruluğu artırmak ve kayıpları azaltmak için piyasa gözlem verileri olarak ne önerirsiniz?


1) Bir pazar modeli oluşturun ve içindeki aracıyı eğitin, bu boyutu azaltacak ve öğrenmeyi hızlandıracak, burada bile yaptılar

2) Dedikleri gibi, özelliklerin seçimi yaratıcı bir iştir, eğer birçoğu varsa, o zaman boyutsallık azaltma burada da yardımcı olacaktır, kümelemeden pca, umap, vb.'ye kadar birçoğu vardır.

3) Numunenin tamamında değil, bir koşulda antrenman yapın, örneğin destek ve direnç seviyelerini alırsanız ve sadece fiyat seviyesindeyse alım veya satım kararı verirseniz, eğitim örneğini siparişlere göre azaltabilirsiniz. büyüklükte. Ayrıca boyutta bir azalma, ne derse desin ..

Tüm öğeleri bir araya getirebilirsiniz.

 
ipsec :

Merhaba insanlar

Deep Reinforcement Learning (Python kullanarak) kullanıyorum ve eğitim zaten devam ediyor (gösterildiği gibi):


Bugün, öğrenmek için yalnızca hareketli ortalamaları bir piyasa saati olarak kullanıyorum.

Bu model birkaç işlem gerçekleştirir (alma, satma ve bekleme). Bu nedenle, eğitimden sonra model, yalnızca en iyi eylemlerle "beklemek" için birçok eylemde birleşir.

Ancak bu modelde tüm keneleri kullandığı için eğitim çok yavaştır.

Doğruluğu artırmak ve kayıpları azaltmak için piyasa gözlem verileri olarak ne önerirsiniz?

çeviri hatalarım için özür dilerim

Kabul edilebilir bir hataya kadar keneleri inceltin.

Tüm onay işaretlerini kaldırırken hatanın izin verileni aştığı alanları seçin.

Mümkünse elbette bu tür alanları bulmak için modeli eğitin))))

 
Maksim Dmitrievski :

peki, bunlar durum uzayı modelleri, her seferinde de çalışıyorlar

Ve hedefi trenddeki bir değişikliğe bağlayabilirsiniz. Görev kar için değil, tanıma ve tahmin için. Tamamen farklı görevlerin, NN'nin aynı anda tanıyamadığı ve tahmin edemediği açıktır)))) Hedef kar, denge, dönüm noktalarını doğrudan tanımadan dolaylı olarak tanır.

Günlük, 4 saat, saatlik (veya ilgilendiğimiz her şey) zikzak dönüşleri alın ve örneğin, geri dönüş noktasından önce ve sonra her (tümü) TF 120 çubuğuna ve 120 tik işaretine) bakın. Günlük ve 4 saat, yalnızca bir sonraki ve önceki tersine çevirmeye kadar izleyin ya da ne kadar iyi bilmiyorum. Verileri hazırlamak için elbette manuel olarak yazmanız gereken bir şey.

Ya da buna benzer bir şey var mı?

 
Valeriy Yastremskiy :

Ve hedefi trenddeki bir değişikliğe bağlayabilirsiniz. Görev kar için değil, tanıma ve tahmin için. Tamamen farklı görevlerin, NN'nin aynı anda tanıyamadığı ve tahmin edemediği açıktır)))) Hedef kar, denge, dönüm noktalarını doğrudan tanımadan dolaylı olarak tanır.

Günlük, 4 saat, saatlik (veya ilgilendiğimiz her şey) zikzak dönüşleri alın ve örneğin, geri dönüş noktasından önce ve sonra her (tümü) TF 120 çubuğuna ve 120 tik işaretine) bakın. Günlük ve 4 saat, yalnızca bir sonraki ve önceki tersine çevirmeye kadar izleyin ya da ne kadar iyi bilmiyorum. Verileri hazırlamak için elbette manuel olarak yazmanız gereken bir şey.

Ya da buna benzer bir şey var mı.

Bu, zikzak araları arasındaki düzenliliğin varlığıyla çok kolay bir şekilde doğrulanır, yani. entropide azalma. Sat'tan bir fark varsa, izleyebilirsiniz. Ama böyle şeyler bulamadım. Tıpta DNA analizi ve ilaç formüllerinin türetilmesi için kullanılan özel paketler bulunmaktadır. Örneğin, permütasyon entropisi veya tahmin ediciler, q-öğrenme gibi optimize ediciler ile daha karmaşık durumlar
 
ipsec :

Merhaba insanlar

Deep Reinforcement Learning (Python kullanarak) kullanıyorum ve eğitim zaten devam ediyor (gösterildiği gibi):


Bugün, öğrenmek için yalnızca hareketli ortalamaları bir piyasa saati olarak kullanıyorum.

Bu model birkaç işlem gerçekleştirir (alma, satma ve bekleme). Bu nedenle, eğitimden sonra model, yalnızca en iyi eylemlerle "beklemek" için birçok eylemde birleşir.

Ancak bu modelde tüm keneleri kullandığı için eğitim çok yavaştır.

Doğruluğu artırmak ve kayıpları azaltmak için piyasa gözlem verileri olarak ne önerirsiniz?

Çeviri hatalarım için özür dilerim.

Bence derin pekiştirme, finansal piyasalar gibi 1-5 boyutlu değil, çok değişkenli görevler için kullanılıyor. Böylece sinir ağı veya doğrusal tahmin edici ile REINFORCE gibi daha basit ve hızlı yöntemleri deneyebilirsiniz.

 
Maksim Dmitrievski :
Bu, zikzak araları arasındaki düzenliliğin varlığıyla çok kolay bir şekilde doğrulanır, yani. entropide azalma. Sat'tan bir fark varsa, izleyebilirsiniz. Ama böyle şeyler bulamadım. Tıpta DNA analizi ve ilaç formüllerinin türetilmesi için kullanılan özel paketler bulunmaktadır. Örneğin, permütasyon entropisi veya tahmin ediciler, q-öğrenme gibi optimize ediciler ile daha karmaşık durumlar

Hayır, kırıkların düzenliliği çalışmıyor)))) Düzenlilik dikkate alınmadan kırılmadan önce bir şey yakalanmalıdır) Genel olarak, daha önce SB'den aynı farklılıkların olduğu kırıkları yakalama şansı vardır. kırık. Bunu normal paketlerle yapamazsınız. Ve bir trendin ortasında, çok uzun bir trend dışında, bir mola için önemli bir şey olduğunu düşünmüyorum ))))

 
Valeriy Yastremskiy :

Hayır, kırıkların düzenliliği çalışmıyor)))) Düzenlilik dikkate alınmadan kırılmadan önce bir şey yakalanmalıdır) Genel olarak, daha önce SB'den aynı farklılıkların olduğu kırıkları yakalama şansı vardır. kırık. Bunu normal paketlerle yapamazsınız. Ve bir trendin ortasında, çok uzun bir trend dışında, bir mola için önemli bir şey olduğunu düşünmüyorum))))

TF korelasyonuna benzeterek anladım. Ayrıca deneyebilirsiniz

 
Maksim Dmitrievski :

Bence derin pekiştirme, finansal piyasalar gibi 1-5 boyutlu değil, çok değişkenli görevler için kullanılıyor. Böylece sinir ağı veya doğrusal tahmin edici ile REINFORCE gibi daha basit ve hızlı yöntemleri deneyebilirsiniz.

Farklı TF'lere bakarsanız, boyut büyür))))

 
Maksim Dmitrievski :

TF korelasyonuna benzeterek anladım. Ayrıca deneyebilirsiniz

Evet. Sadece TF her şeyi görmek ister, hangisinin gerekli olduğunu hemen belirleyemezsiniz. Belki bir komşu, ya da belki TF'nin bir veya 2 değerinden sonra daha iyi olacak, ya da belki herkese ihtiyaç var))) Düşünmesi zor.)))