Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 27
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
Hallo!
Ich habe eine Idee, die ich ausprobieren möchte, aber ich kenne das Werkzeug nicht, um sie umzusetzen... Ich brauche einen Algorithmus, der für ein paar Punkte voraussagen könnte, sagen wir für 3 oder 5 (vorzugsweise ein neuronales Netz)
Hallo!
Ich habe eine Idee, die ich ausprobieren möchte, aber ich kenne das Werkzeug nicht, um sie umzusetzen... Ich brauche einen Algorithmus, der in der Lage wäre, für ein paar Punkte vorauszusagen, sagen wir für 3 oder 5 (vorzugsweise ein neuronales Netz)
Ich habe bisher nur mit Klassifizierungen gearbeitet, daher verstehe ich nicht einmal, wie das aussehen soll und kann niemandem raten, wie man das macht oder ein Paket in R empfehlen
p.s. Toller Artikel Alexey
Dies sind Pakete, die bestehende Trends extrapolieren, z. B. Prognosen. Die verschiedenen Splines sind sehr interessant.
Es sieht ziemlich solide aus.
Also kein brauchbares Ergebnis?
Als ich den Algorithmus zum ersten Mal mit einer kleinen Menge anfänglicher Daten durchführte, gab es kein positives Ergebnis, ich erhielt etwa 50 % Fehler sowohl mit y-aware pca als auch mit simple pca. Jetzt habe ich einen vollständigeren Datensatz von mt5 - fast alle Standard-Indikatoren mit all ihren Puffern, einige Indikatoren sind mehrmals mit verschiedenen Parametern wiederholt. Ich habe Expert Advisors für einige Indikatoren erstellt und sie zur Optimierung der Indikatorparameter für einen profitableren Handel verwendet. Bei solchen Daten macht einfaches pca immer noch 50% Fehler, aber mit y-aware sinkt der Fehler im Fronttest merklich auf 40%. Es ist sehr interessant, dass der y-bewusste Algorithmus einfach die Rohdaten nimmt und einen Klassifikator erstellt, der in 6 von 10 Fällen richtig funktioniert. Fazit: Sie brauchen mehr Rohdaten.
Aber hier enden die guten Seiten. Für eine Genauigkeit von 95 % benötigen Sie 73 Standardkomponenten. Die Ladungen der Prädiktoren in den Komponenten schwanken zwischen höher und niedriger, ohne dass es einen klaren Anführer gibt. Das heißt, es gibt keinerlei Anhaltspunkte, nach denen bestimmte Prädiktoren ausgewählt werden können. Das Modell funktioniert irgendwie, aber es ist unklar, was man damit machen kann, um die Ergebnisse zu verbessern, oder wie man den Vorhersagenutzen daraus ziehen kann.
Die Bedeutung der Komponente:
Ladungen der Prädiktoren für die ersten 5 Komponenten:
ARIMA
Aber arima macht Entscheidungen durch Zeitreihen und ich brauche das Modell, um Entscheidungen aus meinem Datensatz zu treffen, d.h. Matrix mit Prädikaten und Ausgabe einer Prognose für mehrere Bars voraus
Niemand wird Sie daran hindern, ein neuronales Netz mit mehreren Ausgangsneuronen zu trainieren - jede für einen anderen Planungshorizont. Zugleich wird es interessant sein, die Ergebnisse zu beobachten.
Als ich den Algorithmus zum ersten Mal mit einer kleinen Menge anfänglicher Daten durchführte, gab es kein positives Ergebnis, ich erhielt etwa 50 % Fehler sowohl mit y-aware pca als auch mit simple pca. Jetzt habe ich einen vollständigeren Datensatz von mt5 - fast alle Standard-Indikatoren mit all ihren Puffern, einige Indikatoren sind mehrmals mit verschiedenen Parametern wiederholt. Ich habe Expert Advisors für einige Indikatoren erstellt und sie zur Optimierung der Indikatorparameter für einen profitableren Handel verwendet. Bei solchen Daten macht einfaches pca immer noch 50% Fehler, aber mit y-aware sinkt der Fehler im Fronttest merklich auf 40%. Interessant ist, dass der Y-Aware-Algorithmus einfach die Rohdaten nimmt und einen Klassifikator erstellt, der in 6 von 10 Fällen richtig funktioniert. Fazit: Sie brauchen mehr Rohdaten.
Aber hier enden die guten Seiten. Für eine Genauigkeit von 95 % benötigen Sie 73 Standardkomponenten. Die Ladungen der Prädiktoren in den Komponenten schwanken zwischen höher und niedriger, ohne dass es einen klaren Anführer gibt. Das heißt, es gibt keinerlei Anhaltspunkte, nach denen bestimmte Prädiktoren ausgewählt werden können. Das Modell funktioniert irgendwie, aber es ist unklar, was man damit machen kann, um die Ergebnisse zu verbessern, oder wie man den Nutzen des Modells für die Vorhersage herausbekommt.
Bedeutung der Komponente:
Ladungen der Prädiktoren auf den ersten 5 Komponenten:
hat das bereits getan, das neuronale Netz lernt nicht auf einen größeren Horizont mit dem Ziel, auf das ich es eingestellt habe
Es ist gut, dass es nicht gelernt hat, denn du lernst durch Lärm. Aber wenn es so wäre, dann wäre es ein Gral und würde auf real.... stehen.
Ich bin damit beschäftigt, den Lärm zu beseitigen. Deshalb nehmen wir so viele Prädiktoren, in der Hoffnung, dass etwas übrig bleibt.