Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2465
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Wie könnte es anders sein? Genau das tut sie.
Ist Ihnen der Begriff "neuronale Netzwerkdatenbanken" schon einmal begegnet? Ich bin einmal darüber gestolpert und denke, es ist die beste Definition dessen, was NS/Bäume sind.
Ein Baum kann bis zum letzten Split trainiert werden und wird sich dann mit absoluter Präzision an die gesamte Historie erinnern (man erhält ein übertrainiertes Modell).
Wenn nicht bis zur letzten Teilung, sondern etwas früher (z. B. durch 10 Beispiele in einem Blatt), dann erhalten wir Speicher mit Verallgemeinerung und mit Mittelung der Ergebnisse dieser 10 ähnlichsten Beispiele. Es wird weniger überlernt. Das heißt, Sie müssen die Aufteilung stoppen, wenn das Unterlernen in ein Überlernen übergeht. Dies ist die wichtigste und schwierigste Aufgabe.
Ich denke, man sollte neuronale Netze und maschinelles Lernen im Handel nicht vermischen - ich mochte die Bilder hier - bisher sehe ich neuronale Netze als Möglichkeiten für die technische Analyse (wo man Augen, Ohren, etc. braucht, wie oben erwähnt) oder für rekursive Versionen davon,
z. B. wenn Sie zu viele Daten zur Verfügung haben, wenn Sie nicht über die Formel verfügen, die Sie benötigen, um eine Beziehung zwischen den Eingaben und Ausgaben in Ihrem Datensatz zu finden, oder wenn Sie Vorhersagen machen müssen, anstatt Erklärungen zu finden.
oder mit Gewichten - (aber ich sehe nicht, wie man sie logisch definieren kann (außer mit einer dummen 0 bis 1), oder ob mit Training (0 oder 1), damit sie nicht in die Irre gehen)
Neuronen bilden Schichten, die ein Signal nacheinander durchläuft. All dies ist durch neuronale Verbindungen verbunden - Kanäle, durch die Daten übertragen werden. Jeder Kanal hat seine eigene "Gewichtung" - ein Parameter, der die von ihm übertragenen Daten beeinflusst
Und maschinelles Lernen in einer allgemeineren Form ist ein Entscheidungsbaum und sogar ein Wald von Entscheidungen, wo, ich stimme mit Ihnen überein, die Hauptsache ist, in der Zeit zu stoppen, und einfache genetische Algorithmen (in Excel), Statistiken mit Fehlern und Rückwärtspropagation von Fehlern für weiteres Lernen ... und vielleicht sogar dieselbe Monte-Carlo- und Sharpe-Ratio zur Bewertung des Portfoliorisikos und der Möglichkeiten zur Diversifizierung und Absicherung (hier können Sie wirklich viele Daten zur Analyse herunterladen)
p.s.
und eine Art Überblick über NN zur Vorhersage von Preisbewegungen
Es gibt nicht die eine richtige Netzwerkorganisation. Jede Netzarchitektur hat ihre eigenen Vor- und Nachteile. Backpropagation-Netzwerke sind weit verbreitet, da sie eine gute Leistung bieten, aber oft schwierig zu trainieren und zu konfigurieren sind. Rekurrente Netze bieten einige Vorteile gegenüber Backpropagation-Netzen, da ihre "Gedächtnisfunktion" genutzt werden kann, um zeitliche Abhängigkeiten in den Daten zu extrahieren und so die Vorhersage zu verbessern. Komplexere Modelle können nützlich sein, um Fehler oder Probleme bei der Netzwerkkonfiguration zu reduzieren, sind aber oft komplexer zu trainieren und zu analysieren.
- d.h. Speicher ist nur verfügbar, wenn er in die Netzarchitektur eingebettet ist... Ich halte es für sehr naiv und leichtsinnig, in ein Modell einer Variablen (wie dem Preis) Speicherplatz einzubauen... Gedächtnis kann in die Analyse von demografischen Daten, saisonalen Schwankungen und etwas mehr systematisch wiederholende und konstante... aber NICHT Preisbewegungen für Day-Trader... zumindest bei der Analyse der Elche... Imho... oder eine kleine Erinnerung an die letzten K's nur wenn Sie beobachten (und Flat/Trend ist nur 0,5 Wahrscheinlichkeit)
(aus den beschriebenen Gründen ist es wohl wirklich ein sinnloses Argument - wenn man nicht von einer bestimmten Architektur eines bestimmten Netzwerks oder einer anderen Variante des maschinellen Lernens spricht) ... aber danke für die Warnung
Mit Speicher muss man nicht weit gehen (oder besser gesagt, ohne Speicher - run it and forget it, Zwischenspeicherdaten sind bei Output nicht mehr wichtig):
Monte Carlo ist ein Instrument zur Entscheidungsfindung, das davon ausgeht, dass jede Entscheidung einen gewissen Einfluss auf das Gesamtrisiko hat.
wie die Monte-Carlo-Methode zur Optimierung eines Portfolios eingesetzt wird -
Zunächst werden die Aktien zufällig gewichtet und anschließend die Rendite und die Standardabweichung berechnet. Die ermittelten Werte werden gespeichert. Der nächste Schritt ist die zufällige Änderung der Gewichte (wichtig ist, dass die Summe der Gewichte gleich eins ist), und dann geht es weiter - mit der Berechnung und dem Speichern des Ergebnisses. Die Anzahl der Iterationen hängt von der Zeit, der Computerkapazität für die Berechnung und dem Risiko ab, das der Anleger bereit ist, einzugehen.
(obwohl in Excel mit dem Analysis and Solution Seeking Package - wahrscheinlich noch einfacher zu implementieren - die Frage wieder im Modell steht, und die genetischen und anderen Algorithmen im Solution Seeker eingestellt sind - und hier ist es "dumb search method" fertig) ... sondern für das Risikomanagement und noch nicht für die Vorhersage der Preisentwicklung
Nach all den Antworten muss man einen Slicer von Schlussfolgerungen ziehen, denn bis jetzt hat jeder seine eigene Meinung geäußert... (das Thema ist, dass es nicht nur eine Schlussfolgerung geben wird - es gibt viele Methoden - keinen gemeinsamen Nenner)
Wie bei dem von elibrarius erwähnten Baum
D.h. man muss die Aufteilung stoppen, wenn das Unterlernen in ein Überlernen übergeht. Dies ist die wichtigste und schwierigste Aufgabe
Nach all den Antworten muss man einen Slicer von Schlussfolgerungen ziehen, denn bis jetzt hat jeder seine eigene Meinung geäußert... (das Thema ist, dass es nicht nur eine Schlussfolgerung geben wird - es gibt viele Methoden - keinen gemeinsamen Nenner)
wie bei dem Baum, den elibrarius erwähnt hat
Es ist alles für das Casino, im Forex ist es anders. Was können Sie dem Roboter erklären? Wenn der blaue Wert über dem roten liegt, kaufen Sie. Das ist alles;)
Vladimir, ich habe ein Dutzend einzigartiger Positionen/Zustände
Wenn Sie sich auf Stackoverflow umsehen, ist die Logik sehr einfach (genau wie im Excel-Add-In Solution Finder):
0/ ehrlich sein und den Mittelwert und die Skalierung verwenden, die sich aus der Trainingsmenge ergeben -
1/ Das neuronale Netz merkt sich das Gelernte durch seine Gewichte und Verzerrungen.
2/ Gewichte zufällig initialisieren - dies verlagert die Verantwortung auf die Maschine - WAS GUT IST, nicht auf den Entwickler
3/ trainieren Sie es mit einigen Mustern - auf großen Daten (und übrigens großer Leistung des PCs) - entweder Regression oder logistisches Modell oder anderes (es lohnt sich, darüber nachzudenken und sich zu entscheiden - es gibt nicht viel zu wählen, denn durch die Wahl der linearen Regression nehmen wir dem Optimierer die Möglichkeit, zu arbeiten, so denke ich)
4/ ... Eingaben eingeben und das Ergebnis von einer trainierten Maschine erhalten UND ALLE
p.s. Denken Sie daran: Kontinuierliche vs. diskrete künstliche neuronale Netze - erstere sind wahrscheinlich eine integrale Funktion, letztere dienen z.B. zur Bestimmung eines Flats/Trends...
und einige Ratschläge über modische
Rekurrente neuronale Netze waren zu verschiedenen Zeiten eine angesagte Methode für verschiedene Finanzvorhersageanwendungen, z.B.
p.p.s. ein bisschen Theorie
In Bayes'schen Netzen haben die Knoten und Kanten eine Bedeutung. Die Netzstruktur selbst liefert wertvolle Informationen über die bedingte Abhängigkeit zwischen den Variablen. Bei neuronalen Netzen sagt die Netzstruktur nichts aus.
und Python-Bibliotheken (Sie können auch R verwenden), wenn Excel nicht ausreicht
(während diejenigen, die weder lesen noch verstehen können, immer noch davon träumen, ihrem Roboter etwas zu erklären, weil sie nicht genug im Casino gespielt haben)
... aber die lineare Regression ist verwirrend, denn wenn ich mich recht erinnere, sind die Preise nichtlinear und die Rendite linear (wenn nicht sogar umgekehrt?)
NICHT andersherum, denn .
Obwohl die Preise nicht normalverteilt sind, weist die Preisrendite in vielen Fällen eine Normalverteilung auf.
NICHT andersherum, denn.
obwohl die gegenteilige Logik, aber in Verbindung mit einer entfernten Erinnerung, bestätigt wird... (obwohl ich mich nicht oft mit quantitativen Finanzen und Finanzforschung beschäftige)Ich habe eine funktionierende MT5-Anwendung für den Endbenutzer erstellt, die mit zwei Klicks installiert ist.
Das neuronale Netz wird auf dem Computer des Benutzers in einer Exe-Datei ausgeführt (im Falle eines Python-Skripts können Sie auf die Exe-Datei verzichten).
Keine externen Anfragen, API, dll, etc.
Vorhersagen als Standardindikator.
Bitte lesen Sie hier mehr.