Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2571
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
Habe ich richtig verstanden, was Sie tun?:
1) Wir bekommen 1 Baum.
2) jeder Knoten kann bis zu 10 Verzweigungen geben (im gefundenen Bild sind es weniger, nehmen wir 10 Verzweigungen an), jede Verzweigung wird durch 1 Quantum erzeugt (ein Quantum ist ein Stück Prädiktor in 10%: entweder Perzentil oder 10% in der Amplitude, je nachdem welche Quantisierungsmethode verwendet wurde).
3) nach dem ersten Split finden wir 3 Quanten, die anschließend zu einem erfolgreichen Blatt führen
4) nachfolgende Splits finden weitere gute Splits/Quanten, die zu erfolgreichen Blättern führen
5) wir merken uns erfolgreiche Quanten vor erfolgreichen Blättern
6) erstellen einen neuen Baum, der als Prädiktoren nur die von uns ausgewählten Quanten verwendet
Mit der gleichen Methode, mit der wir den ersten Baum quantifiziert haben, quantifizieren wir die Prädiktoren mit unserem Skript. Wir erhalten 1000 Prädiktoren aus 100, die bereits binär 0 oder 1 sind. Wenn der Wert des Prädiktors in diesem Bereich liegt, ist er = 1, wenn nicht, ist er = 0.
Da wir nur erfolgreiche Pfade/Quanten auswählen, sind alle Werte der ausgewählten Quanten = 1. Sind alle Prädiktoren = 1, so kann der neue Baum nicht lernen. Die Antwort ist bereits bekannt.
Oder ist es nicht mehr nötig, einen neuen Baum zu bauen? Nur wenn der Wert des Prädiktors in ein bestimmtes Quantum fällt, werden wir sofort handeln?
Ich baue in der ersten Phase überhaupt keinen Baum, aber wenn wir durch einen Baum repräsentieren, sollten wir einen solchen Baum bauen, der alle Prädiktorenbereiche auf einmal auswählt, d.h. in jedem Blatt separat. Dann bewerten wir jedes dieser Blätter, und wenn es die Kriterien erfüllt, dann speichern wir die Kette von Splits. Ich bevorzuge jedoch 3 Felder für die Entfernungs-/Quantenextraktion, die in das endgültige Modell aufgenommen wurden.
So wie es aussieht, scheint alles richtig zu sein, schließlich bauen wir das Modell weiter auf diesen ausgewählten Blättern (Quanten/Bereiche) auf.
Für das Modell bedeutet "1" keine 100%ig richtige Antwort - die Aufgabe des Modells besteht darin, die Antworten zu aggregieren, eine Art Korrelation herzustellen und die Gewichte zu verteilen.
Ob man überhaupt ohne ein Modell auskommt, hängt davon ab, wie sich die Vorhersagegenauigkeit verändert und bei welcher Veränderung sie profitabel sein kann - einige Strategien werden sogar bei 35 % korrekten Eingaben profitabel. Der einfachste Weg, den ich ausprobiert habe, ist, einfach die Anzahl der Einsen zu addieren (ich habe sie auch gruppiert) und zu erwarten, dass ich ein Signal beim Eintritt in die Gesamtschwelle bekomme.
Wahrscheinlich die Verwendung von Forward oder die Einbeziehung der Zeit in die Prädiktoren.
Natürlich steckt die Zeit in den Prädiktoren, aber sie wird eine stabile Zyklizität offenbaren, nicht aber eine Erwartung der Prädiktorendrift.
Ich vergleiche sie nicht, ich sage nur, dass beide "gemalt" werden können. Und ob sie das tun oder nicht, wissen weder Sie noch ich mit Sicherheit. Ich denke, dass sie manchmal ziehen und manchmal nicht. Und in den Momenten, in denen sie nicht ziehen, können wir etwas verdienen.
Abgesehen von Oanda und CME , weiß ich es nicht. Die anderen haben nur ein Preisdiagramm und Tick-Volumen.
Mit Ausnahme von oanda und CME ?
Du vergleichst wieder!!!!
Bei der CME erhalte ich die Volumina, bei DM das Sentiment.
CME hat keine Stimmung
Kein Volumen von DME.
sie sind nicht dasselbe!!! kommen Sie zur Besinnung, haben Sie Mitleid mit meiner Tastatur... BITTE:)
Abgesehen von oanda und CME ?
Du vergleichst wieder!!!!
Bei CME nehme ich das Volumen, bei DM das Sentiment.
Die CME hat keine Stimmung.
Kein Volumen von DME.
sie sind nicht dasselbe!!! kommen Sie zur Besinnung, haben Sie Mitleid mit meiner Tastatur... BITTE:)
Nochmals. Ich vergleiche sie nicht, ich sage nur, dass beide "gezeichnet" werden können.
Und sie haben gemeinsam, dass sie die einzigen sind, die sich von allen anderen unterscheiden, die nur ein Preisdiagramm und Tickvolumen haben. Diese beiden geben zumindest etwas anderes zu analysieren.
Welche anderen 8 gibt es also, die mehr Informationen liefern als alle anderen? Es wird interessant sein, das zu sehen.
Ich baue im ersten Schritt überhaupt keinen Baum, aber wenn Sie es mit einem Baum darstellen, müssen Sie einen Baum bauen, der alle Prädiktorenbereiche auf einmal zuordnet, d.h. in jedem Blatt separat. dann bewerten Sie jedes solche Blatt, und wenn es die Kriterien erfüllt, dann speichern Sie die Kette von Splits. Ich bevorzuge jedoch 3 Felder für die Entfernungs-/Quantenextraktion, die in das endgültige Modell aufgenommen wurden.
So wie es aussieht, scheint alles richtig zu sein, schließlich bauen wir das Modell weiter auf diesen ausgewählten Blättern (Quanten/Bereiche) auf.
Für das Modell bedeutet "1" keine 100%ig richtige Antwort - die Aufgabe des Modells besteht darin, die Antworten zu aggregieren, eine Art Korrelation herzustellen und die Gewichte zu verteilen.
Ob man überhaupt ohne ein Modell auskommt, hängt davon ab, wie sich die Vorhersagegenauigkeit verändert und bei welcher Veränderung sie profitabel sein kann - einige Strategien werden sogar bei 35 % korrekten Eingaben profitabel. Am einfachsten ist es, die Anzahl der Einsen zu addieren (ich habe sie sogar gruppiert) und zu erwarten, dass bei Erreichen der Gesamtschwelle ein Signal ausgelöst wird.
Nun, wenn Sie einen Baum erstellen, dann ist die Auswahl nur erfolgreicher Ketten und die Verwendung nur dieser Ketten eine Duplikation des fertigen Baummodells. Verwenden Sie für den Handel nur die Blätter, die die erforderliche Erfolgswahrscheinlichkeit bieten, z.B. alle Blätter mit 70% Wahrscheinlichkeitsklasse. Auf Blätter mit einer Wahrscheinlichkeit von < 70% reagiert man einfach nicht. Das klingt für mich ähnlich wie das, was Sie tun.
Aber Sie tun etwas durch Arrays dort... Vielleicht ist es also nicht so.
Natürlich haben die Prädiktoren eine gewisse Zeitspanne, aber sie zeigen eine anhaltende Zyklizität, aber nicht die erwartete Drift der Prädiktoren.
Ich habe mich nicht richtig ausgedrückt. Gemeint war, dass der Verlustfunktion zeitabhängige Gewichte hinzugefügt werden. Je näher das Ende der Lernzeit rückt, desto mehr Gewicht wird hinzugefügt. Varianten mit und ohne Gewichtung ergeben unterschiedliche Verluste, auch wenn sie im Durchschnitt (ohne Gewichtung) gleich sind. Aber Sie sollten natürlich experimentieren.
Welche anderen 8 gibt es also, die mehr Informationen liefern als alle anderen? Es wird interessant sein, das zu sehen.
Und warum?
Muss ich jetzt 10 Links googeln, um sie hier einzufügen, oder was?
Was werden Sie damit machen?
99,999% sicher, dass es nichts ist, nur eine Verschwendung meiner Zeit.
Ich sage Ihnen, es gibt etwa 17 D.C. Shocks, die Ihnen die Positionen ihrer Klienten nennen.
Googeln Sie es.
Hier ist eine, die ich gefunden habe.
das Forum ist allergisch gegen einige LinksNun, wenn Sie einen Baum erstellen, dann ist die Auswahl nur erfolgreicher Ketten und die Verwendung nur dieser Ketten eine Duplikation des vorgefertigten Baummodells. Verwenden Sie für den Handel einfach diejenigen Blätter, die die gewünschte Erfolgswahrscheinlichkeit ergeben, z.B. alle Blätter mit einer Wahrscheinlichkeitsklasse von 70%. Auf Blätter mit einer Wahrscheinlichkeit von < 70% reagiert man einfach nicht. Das klingt für mich ähnlich wie das, was Sie tun.
Aber Sie tun etwas durch Arrays dort... also ist es vielleicht nicht vergleichbar.
Ich habe einen solchen Ansatz, wenn ich Blätter aus dem Baum auswähle, aber dort verwenden sie die Korrelation verschiedener Prädiktoren, während wir hier über die Auswahl eines Preissegments eines Prädiktors durch den Baum sprechen - ich hatte die maximale Verbesserung der Genauigkeit im Vergleich zum Durchschnitt 15% auf einem solchen Segment (Bereich/Quantum).
Ich habe mich nicht richtig ausgedrückt. Gemeint war, dass der Verlustfunktion zeitabhängige Gewichte hinzugefügt werden. Je näher das Ende des Trainingszeitraums rückt, desto mehr Gewicht wird hinzugefügt. Die Varianten mit und ohne Gewichtung ergeben unterschiedliche Verluste, auch wenn sie im Durchschnitt (ohne Gewichtung) gleich sind. Aber man muss natürlich experimentieren.
Ich denke, dass es am Anfang notwendig ist, die Statistiken irgendwie zu berechnen, ob es Sinn macht, und dann in den Trainingsprozess zu implementieren.
Daher bleibt die Frage, wie man es richtig macht.
Angenommen, ich habe 3 solcher binären Sequenzen mit 10 Messpunkten in vergleichbaren Zeitabständen.
A[]={1,0,0,1,1,1,1,1,0,1};
B[]={1,1,1,1,1,1,1,0,0,1};
C[]={1,1,0,1,1,1,0,1,0,1};
Ich möchte also verstehen/aufzeichnen, wie sich die Wahrscheinlichkeit einer Einheit ändert, wenn die Einheiten in einer Reihe zunehmen.
Ich verstehe, dass ich zunächst die Anzahl der Sequenzen zählen sollte, aber sollte ich lange Sequenzen als eine zählen oder sollte ich sie separat zählen, z. B. 1111 aufgeteilt in 1,11, 111 und 1111 oder ist es nur 11?
Und was soll ich dann tun - wie kann ich beurteilen, ob der Prozess regelmäßig oder zufällig ist?
Und wozu?
Ich danke Ihnen. Ich werde mir das erst einmal ansehen. Vielleicht fällt mir etwas ein, das ich verwenden kann.