Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 417
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
das ist eigentlich die Antwort...blah, blah, blah.... und kein Ergebnis.....
posten Sie Ihren Handelsbericht, es wird ein Ergebnis geben und es wird positiv sein, also ernsthaftes Gespräch...
posten Sie Ihren Handelsbericht, es wird ein Ergebnis geben und wenn es positiv ist, dann vielleicht ein ernsthaftes Gespräch
Was für eine Art von Unterhaltung????? ich nicht verstehe..... ich angeboten habe, ein Modell für eine Aufgabe zu bauen, die sich von Forex unterscheidet, aber nicht weniger profitabel ist, und Sie erzählen mir über den Handel..... seltsam!!!!
was für ein Gespräch????? ich nicht verstehe..... ich Ihnen angeboten habe, ein Modell für eine Aufgabe zu erstellen, die sich von Forex unterscheidet, aber nicht weniger profitabel ist, und Sie erzählen mir über den Handel..... seltsam!!!!
Wenn Sie mir eine Aufgabe anbieten, die nicht weniger rentabel ist als Forex, dann habe ich ein Recht darauf zu erfahren, wie rentabel Ihr Forex ist, was ist daran merkwürdig?
Wenn Sie mir eine Aufgabe anbieten, die nicht weniger profitabel ist als Forex, habe ich das Recht zu wissen, wie profitabel Forex ist, was ist daran so seltsam?
Was hat Forex mit irgendetwas zu tun???? über Forex lesen Sie meine früheren Beiträge oder den Artikel..... ich spreche nicht über Forex....
Was hat Forex damit zu tun???? lesen Sie meine früheren Beiträge oder den Artikel..... Ich spreche nicht über Forex....
anfangs wird der Netzwerktyp einfach nach dem Ausgabetyp ausgewählt, ohne dass etwas umgeschrieben werden muss (und alle internen Schichten sind fest als nichtlinear verdrahtet)
Haben Sie experimentiert mit retraining das gleiche erstellt Netzwerk in alglib? Sagen wir, ich trainiert MLP und dann retrainieren es ... es retrainiert, keine Fehler, aber vielleicht ist dies falsch und ein neues Netzwerk-Objekt erstellt werden sollte? Oder es ist irgendwie retrainiert dort und nicht wieder trainiert ... wieder, es gibt nichts über sie in der Hilfe, aber es ist irgendwie faul, durch den Code zu graben und dort zu suchen)
Ich habe noch nicht damit experimentiert, das gleiche erstellte Netzwerk in alglib neu zu trainieren... Nehmen wir an, ich habe ein MLP trainiert und trainiere es dann neu... es wird neu trainiert, keine Fehler, aber vielleicht ist es nicht richtig und ich muss ein neues Netzwerkobjekt erstellen... Oder es wird dort irgendwie neu trainiert und nicht wieder trainiert... Auch darüber steht nichts in der Hilfe, aber es ist etwas faul, dort nach Code zu suchen)
Ein sehr interessanter Ansatz und so alt wie die Welt. Führen Sie ein Training durch, holen Sie die Ergebnisse ein und trainieren Sie das Netz erneut mit Daten aus verschiedenen anderen Netzen. Eine Art Deep Learning von anderem Format.... Übrigens, dieser Ansatz ist gut...
Ein sehr interessanter Ansatz und so alt wie die Welt. Führen Sie ein Training durch, holen Sie die Ergebnisse ein und trainieren Sie das Netz erneut mit Daten aus verschiedenen anderen Netzen. Eine Art Deep Learning von anderem Format.... Übrigens, das ist ein guter Ansatz...
Nein, es handelt sich lediglich um ein erneutes Training in bestimmten Intervallen im Tester, z. B. bei einem bestimmten Drawdown und so weiter. Wenn Sie mehrere Netze verwenden, gibt es ns Ensembles in alglieb, ich werde mit ihnen später spielen, es ist Sommer, faul... Meer Strand Küken Mojito, nur ein Scherz, was die... Das Meer in Sibirien ist nur ein Fluss und ein Moor.
und dann gibt es noch alle Arten von Boostings, Shmustings und anderes Zeug, und LSTM als weit hergeholtes Ideal meiner Bestrebungen, das ich noch nicht erreicht habe
Mihail Marchukajtes:
Gut, jetzt, wo Sie auf dem Punkt sind, werde ich Ihnen einen Gedanken zur Datenerfassung für die Verarbeitung mitteilen. Es ist wirklich schwierig, ein Modell mit einem hohen Verallgemeinerungsgrad auf einer ausreichend großen Fläche zu trainieren, denn der Markt ist ein lebendiger Organismus und bla, bla, bla. Je länger der Trainingszeitraum ist, desto schlechter schneidet das Modell ab, aber länger. Zielsetzung: Erstellung eines Langzeitmodells. Split oder Methode zwei, jedoch für diejenigen, die einen Ausschuss von zwei Netzen verwenden.
Wir haben drei Zustände "Ja", "Nein" und "Weiß nicht", wenn die Gitter in verschiedene Richtungen zeigen.
Wir trainieren das Netz auf den gesamten Abschnitt, in unserem Fall 452 Einträge. Das Netz lernte diesen Satz zu 55-60 %, wobei davon ausgegangen wurde, dass die "Weiß nicht"-Antworten im Trainingssatz 50 % ausmachten, so dass 226 Signale das Netz nicht lernen konnte. OK, jetzt bauen wir ein neues Modell NUR auf den "Weiß nicht"-Zuständen auf, d.h. wir versuchen, das Modell auf solchen Quasi-Zuständen aufzubauen, die das erste Modell in die Irre führten. Das Ergebnis ist in etwa dasselbe: Von 226 wird nur die Hälfte erkannt, der Rest erhält den Status "Weiß nicht", dann wird das Modell erneut erstellt. Das Ergebnis ist 113, dann 56, dann 28, dann 14. Bei 14 Einträgen, die keinem der vorherigen Modelle bekannt sind, berechnet der Jprediction Optimizer in der Regel bis zu 100 % Generalisierbarkeit.
Als Ergebnis haben wir ein "Pattern System", das den gesamten Markt in einem Zeitraum von drei Monaten erkennt.
Hier ist ein weiterer Weg neben "Context of the Day", wie Sie den Markt in Teilräume zerlegen können und produzieren Ausbildung, indem sie genau ein "Pattern System" Hier ist ein Beispiel....
------------------------------------------------------------
Diese Methode wird als "Boosting" bezeichnet -Boosting ist ein Verfahren der sequentiellen Komposition von Algorithmen des maschinellen Lernens, bei dem jeder nachfolgende Algorithmus versucht, die Nachteile der Komposition aller vorherigen Algorithmen auszugleichen.
Die bekannteste aktuelle Anwendung ist XGBoost.
Viel Glück!