Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2751
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
Haben Sie einen Vergleich Ihres Algorithmus mit KNN (oder einer Abwandlung davon) durchgeführt? Es wäre interessant, wie groß der Gewinn ist.
KNN ist ganz und gar nicht dasselbe.
Ich interessiere mich für die "Vorhersagefähigkeit", nicht für die Klassifizierung, und auch nicht für einen Lehrer, die in unserem Geschäft nutzlos sind.
Das ist ein wirklich großer Schritt nach vorn. Müssen die Indikatoren und Experten neu geschrieben werden?
wenn Sie schon mal hier sind, danke für ICA und noch eine Frage zur feature_extraction(die Sie als"Erkennung einzigartiger und signifikanter Komponenten" bezeichnen) -- ich habe dieses Thema einmal durchstöbert (Beschreibung für Python), und es dann aufgegeben.... Ich habe den Eindruck, dass sie diese Extraktion nur bei der Arbeit mit Bildern und Text verwenden -- sollten wir uns mit diesem Ansatz beschäftigen, wenn wir mit strukturierten Daten arbeiten (wie einer Tabelle mit Faktoren)?... können Sie ein paar Worte über das Wesen des Algorithmus schreiben, um seine Nützlichkeit zu verstehen..., ich habe nur in Ihrem Artikel etwas darüber gelesen...? oder habe ich etwas übersehen? (und was ich in Python gesehen habe, hat mich nicht dazu inspiriert, feature_extraction auf Faktoren auf dem Markt anzuwenden).
zu den Präferenzen: oder haben Sie sich immer noch entschieden, bei der normalen (oder hierarchischen, wie Sie beschrieben haben) PCA zu bleiben?
welche Dimensionalitätsreduktion verwenden Sie jetzt?
und danke für den Artikel
es bestehen erhebliche Zweifel daran, dass NNs mit zunehmender Information überhaupt funktionieren können. Vorhin wurde erwähnt, dass etwas zwischen den Wänden hindurchläuft und Grün frisst, ohne Rot zu berühren. Wenn sich das Labyrinth vergrößert (Informationszuwachs), wird seine Erinnerung an Rot/Grün weggeblasen. Er bewegt sich also gut in der vorherigen Formation, aber nicht in der neuen. Solange die Muster wiederholt werden, funktioniert er mehr oder weniger. Und er funktioniert nur dort perfekt, wo er trainiert ist.
Die Gegenthese zum gleichen NN für die gleichen Bedingungen ist, dass ein Student einen effizienteren Algorithmus schreiben kann. Und diesen Algorithmus kann ein anderer Schüler verbessern oder auf die Bedingungen des anderen_Krümmungsraums bringen (oder optimieren/vereinfachen). Die Verwendung von NN in diesem vereinfachten Beispiel ist eine Sackgasse, deren Ergebnis nicht bewusst und qualitativ verbessert werden kann. Und das ist ein allgemeines Problem mit NN (und auch DL). Diese Methoden können verwendet werden, um rot/grün, rund/quadratisch aus einer Menge von rötlich, grünlich, auf einem violetten Hintergrund, in S/W längs zu erkennen. Die Lösung von engen Spezialproblemen, nicht die Ausgabe von Gleichheit bis ins Unendliche
KNN ist überhaupt nicht dasselbe.
Ich interessiere mich für die "Vorhersagefähigkeit", nicht für die Klassifizierung, und auch nicht für einen Lehrer, die in unserem Geschäft nutzlos sind.
Nichtsdestotrotz bietet KNN die einfachste Möglichkeit, mit Nicht-Stationarität umzugehen, wenn man es in einem gleitenden Fenster verwendet. Es verwendet immer den gleichen Satz von Prädiktoren, was es ermöglicht, es mit einem Algorithmus zu vergleichen, der den Satz von Prädiktoren ändert und den Nutzen dieser Komplikation zu bewerten.
Ich werde meine Methode veröffentlichen, die ähnliche Probleme robust und empfindlich löst - ich werde die Theorie darlegen und den Code in R veröffentlichen.
Dies geschieht zur gegenseitigen Bereicherung des "Verständnisses" von Aufgaben des maschinellen Lernens.
Ist das, was ich gepostet habe, nicht genug, um das zu posten, was Sie gesagt haben?
KNN bietet jedoch die einfachste Möglichkeit, mit Nicht-Stationarität umzugehen, wenn es in einem gleitenden Fenster verwendet wird. Es verwendet immer denselben Satz von Prädiktoren, was einen Vergleich mit einem Algorithmus ermöglicht, der den Satz von Prädiktoren ändert und den Nutzen dieser Komplikation bewertet.
Ich sehe keinen Sinn darin, etwas zu tun, das nicht zum gewünschten Ergebnis führen kann.
Wer hat hier nach der Anwendung von NN und AI im Handel gefragt?
(moderiert) Plattform (moderiert ) ( moderiert) (moderiert) (moderiert) (moderiert) (moderiert) (moderiert) versteht die Beschreibung von Handelsbedingungen/Regeln/Teilen/Algorithmen in natürlicher Sprache. Natürlich auf Englisch
Hier ist meiner Meinung nach die richtige Richtung der Bewegung und Anwendung von KI-Bemühungen. Wie in der Wolfram-Domäne, aber Wolfram ist hauptsächlich eine Enzyklopädie
---
Im Moment sind Menschen, die auf demselben Gebiet tätig sind und seit langem miteinander kommunizieren, nicht in der Lage, sich gegenseitig zu verstehen. Ohne einen Auto-Übersetzer oder eine gegenseitig unterzeichnete und verbindliche Vereinbarung über die Benennung von Entitäten:-)
Haben Sie einen Vergleich Ihres Algorithmus mit KNN (oder einer Abwandlung davon) durchgeführt? Es wäre interessant, wie groß der Gewinn ist.
Ich sehe keinen Sinn darin, etwas zu tun, das im Prinzip nicht das gewünschte Ergebnis liefern kann.
Nichtsdestotrotz bietet KNN die einfachste Möglichkeit, mit Nicht-Stationarität umzugehen, wenn man es in einem gleitenden Fenster verwendet. Es verwendet immer den gleichen Satz von Prädiktoren, was es ermöglicht, es mit einem Algorithmus zu vergleichen, der den Satz von Prädiktoren ändert und den Nutzen dieser Komplikation zu bewerten.
Dem kann ich nicht zustimmen.
Der Markt verändert sich, und die Zeitintervalle der Veränderung sind unterschiedlich und unabhängig voneinander.
Früher konnte ich Expert Advisors schreiben, die zwischen 3 und 6 Monaten lebten. Ich optimierte sie an den Wochenenden. Dann starben sie, und für eine kurze Zeitreichte aus, um das Depot zu leeren. Nicht genug Zeit zum Optimieren. Am Ende war die Situation noch schlimmer: Nach einiger Zeit stellte sich heraus, dass es eine Grenze gab, von der aus es unmöglich war, Parameter auszuwählen.
Es gibt längere Zeiträume für Marktveränderungen: 5-7 Jahre. Aber das Ergebnis ist das gleiche wie bei monatlichen Perioden. Der Bot stirbt für immer. Ich werde einen bestimmten Bot aus dem Markt in einer privaten Nachricht senden - das geht hier nicht.
Diese ganze Idee von "out of sample" ist also Blödsinn. Ein Bot hat immer noch eine Lebensdauer, von der wir nicht wissen, wie lange: 3 Monate oder 7 Jahre. Wenn der Bot stirbt, verwechseln wir das mit einem weiteren Drawdown und leeren unser Depot.
Idealerweise sollte er bei der nächsten Kerze neu trainiert werden. Wenn wir auf Ticks arbeiten, dann auf den nächsten Tick, auf H1 dann auf die Ankunft der nächsten Stunde.
Danke, es ist ganz klar, warum auf jedem bar))))) Und warum man nach Minuten auf Ticks geht))))))
wenn KNN im Wesentlichen K-means (Fremdbezeichnung für k-nearest-neighbors?) ist, dann verwendet es(K-means) den euklidischen Abstand ... "wenn die Variablen nicht korreliert sind - der Mahalanobis-Abstand stimmt mit dem gewöhnlichen euklidischen Abstand überein" .... in LDA . .. nun, wenn sie korreliert sind - dann ist Mahalanobis besser, wie gestern allgemein festgestelltNichts hindert Sie daran, einen anderen Abstand anstelle des Euklidischen Abstands zu verwenden. Mahalanobis kann natürlich nicht verwendet werden, da es sich um den Abstand zwischen einem Punkt und einer Probe handelt, nicht zwischen zwei Punkten.