Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 427
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 spielt im Prinzip keine Rolle. Die Vorhersagekraft ist gleich null....
Es ist, als würde man das Eigenkapital betrachten und den Gewinn durch den Drawdown teilen.
Und je besser die Prognose, desto höher die SR
Was hat die Prognose damit zu tun? Es ist, als würde man Aktien mit den Augen betrachten und den Gewinn durch den Drawdown dividieren.
Und je besser die Prognose, desto höher die SR.
Und in diesem Fall. Nun, dann ja. Vollständig zustimmen....
Können Sie mir sagen, dass Sie hier https://www.mql5.com/ru/blogs/post/160258 geschrieben haben, dass RF der beste Klassifikator unter den vorgeschlagenen ist, ich stimme dem zu. Und wie sieht es mit der 3. Generation von Diplerning (mit Autoencodern) aus, haben Sie Vergleichstests durchgeführt?
Über GARCH Soweit ich weiß, handelt es sich um ein lineares Modell zur Vorhersage der Volatilität, das die Marktrichtung nicht vorhersagt, oder liege ich da falsch?
GARCH ist ein Volatilitätsmodell, das die Richtung und Größe der nächsten Kerze vorhersagt. Der Zeitrahmen kann unterschiedlich sein: M5, M30, D1, beliebig. In der Regel handelt es sich jedoch um eine flache TF bis hin zum Hochfrequenzhandel.
Ich finde GARCH attraktiv, weil ich, um es zu verwenden, die ursprüngliche Notierung analysieren muss, um den Beweis zu haben, dass sich das trainierte GARCH in der Vergangenheit und in der Zukunft gleich verhält.
Die Idee ist, die Nicht-Stationarität (variabler Mittelwert und variable Abweichung vom Mittelwert) zu bekämpfen, die als das Hauptübel für die zukünftige Leistung des Expert Advisors angesehen wird.
Das Modell selbst besteht aus drei Komponenten:
Zunächst werden die Preisschritte berechnet. Dann werden Formeln für dieses Inkrement geschrieben:
1. für das Verhalten des Durchschnitts
2. für das Abweichungsverhalten vom Durchschnitt (Volatilität). Es gibt viele Varianten, darunter Exponential- und Schwellenwerte (ich meine die Linearität des Modells)
3. das Gesetz der Verteilung des Durchschnitts.
Wenn es möglich war , die Parameter all dieser Teile "richtig" zu wählen, dann sollte das Residuum normalverteilt sein, was eine Garantie dafür ist, dass sich das Modell in der Zukunft ähnlich wie die historischen Daten verhält.
Etwa so, ganz grob.
Können Sie mir sagen, dass Sie hier https://www.mql5.com/ru/blogs/post/160258 geschrieben haben, dass RF der beste Klassifikator unter den vorgeschlagenen ist, ich stimme dem zu. Und wie sieht es mit der 3. Generation der Diplerning (mit Auto-Encodern) aus, haben Sie Vergleichstests durchgeführt?
Ich habe gehört, dass diplinking ein wenig anders ist, es geht um die automatische Suche nach EINFACHEN Merkmalen in hierarchischen Strukturen, wie z. B. Bildern oder Texten, deren Ecken und Linien einfache Figuren mit komplexeren Formen usw. sind. Bei den Zeitreihen ist es nicht ganz dasselbe. Wenn also ein tiefes neuronales Faltungsnetzwerk Katzen und Gesichter auf Bildern findet, heißt das nicht, dass es auch den Markt vorhersagen kann. Außerdem ist das ganze "tiefe" Netzwerk für die Benutzer sehr mühsam, selbst für diejenigen, die das gesamte Netzwerk 10 Mal von Grund auf in C++ neu erstellt haben, sind viele Parameter sehr instabil, die Ergebnisse sind zufällig. Man muss sich viele Jahre lang damit auseinandersetzen. Aber das ist nicht mein IMHO, ich habe es nie ausprobiert und werde es wahrscheinlich auch nicht tun.
Das ist kein schlechtes Ergebnis, es ist fantastisch, ich bin sicher, dass selbst Renaissance mit ihren Terabytes an Daten pro Tag so etwas nicht hat. Schauen Sie sich den Live-Score auf numer.ai an und überlegen Sie, warum sie eine Fehlerquote von mindestens 45% haben(logloss~0.69) und Sie 30%.
Aber was Sie sagen, ist wahr, Sie haben Ihre synthetische Zielfunktion erstellt, die funktionell mit Merkmalen in einer cleveren (offensichtlich nicht offensichtlich für Sie) Weise verbunden ist, und Sie haben so einen schönen Scan auf Lorn und Test und alles sieht richtig aus... Aber Sie sind noch kein Milliardär, obwohl Sie leicht in etwa einem Jahr werden könnten, wenn Sie 30% Fehler bei der Vorhersage der nächsten Kerzenfarbe haben, es ist, weil Sie nicht die Zukunft vorhersagen, sondern die Vergangenheit gemischt mit der Zukunft über Indikator. Versuchen Sie einmal, einen reinen Rückkehrer vorherzusagen, und alles wird sich fügen.
Sie haben viel gesagt, Mister, aber Sie haben nichts Substanzielles gesagt, während Sie sofort angeboten wurden, um zu zeigen und nicht, um alle anzuschreien, was mit ZZ nicht stimmt und was nötig ist.
https://ru.stackoverflow.com/a/683632/1084
Ich habe gehört, dass Diplanning ein wenig anders ist, es geht um die automatische Suche nach EINFACHEN Merkmalen in hierarchischen Strukturen wie Bildern oder Texten, bei denen die Kanten Ecken und Linien mit einfachen Formen sind, die komplexer sind und so weiter. Bei den Zeitreihen ist es nicht ganz dasselbe. Wenn also ein tiefes neuronales Faltungsnetzwerk Katzen und Gesichter auf Bildern findet, heißt das nicht, dass es auch den Markt vorhersagen kann. Außerdem ist das ganze "tiefe" Netzwerk für die Benutzer sehr mühsam, selbst für diejenigen, die das gesamte Netzwerk 10 Mal von Grund auf in C++ neu erstellt haben, sind viele Parameter sehr instabil, die Ergebnisse sind zufällig. Man muss sich viele Jahre lang damit auseinandersetzen. Aber das ist nicht mein IMHO, ich habe es nie ausprobiert und werde es wahrscheinlich auch nie tun.
Es ist nicht so schlimm, wie du es darstellst.
Es ist nicht sehr schwierig, beginnen Sie mit diesen wenigen Artikeln(1, 2, 3, 4). Es wird nicht alles auf einmal funktionieren und es wird keinen Sinn ergeben, aber es wird nützlich sein.
Viel Glück!
Ich habe gehört, dass Diplanning ein bisschen anders ist, es geht um die automatische Suche nach EINFACHEN Merkmalen in hierarchischen Strukturen wie Bildern oder Texten, bei denen die Kanten Ecken und Linien mit einfachen Formen sind, die komplexer sind und so weiter. Bei den Zeitreihen ist es nicht ganz dasselbe. Wenn also ein tiefes neuronales Faltungsnetzwerk Katzen und Gesichter auf Bildern findet, heißt das nicht, dass es auch den Markt vorhersagen kann. Außerdem ist das ganze "tiefe" Netzwerk für die Benutzer sehr mühsam, selbst für diejenigen, die das gesamte Netzwerk 10 Mal von Grund auf in C++ neu erstellt haben, sind viele Parameter sehr instabil, die Ergebnisse sind zufällig. Man muss sich viele Jahre lang damit auseinandersetzen. Aber das ist nicht mein IMHO, ich habe es nie probiert und werde es wahrscheinlich auch nie tun.
Ich sehe, ich denke, in der Praxis niemand hier und nicht vergleichen :) wird Informationen zu suchen, dass am Ende nicht zu täuschen, wenn es sich herausstellt, dass die Diplerning nicht geben Vorteile gegenüber Wäldern. Und da es sich bei dem Bauteil dort um eine MLP handelt, kann es durchaus sein, dass sie nicht...
Übrigens, alles mit mehr als 2 Schichten nennt man Diplerning, MLP mit 2 versteckten Schichten ist auch Diplerning. Ich bezog mich auf tiefe Netze, die Vladimir in dem Artikel im obigen Link beschreibt.
Es heißt zwar, dass Prädiktoren am wichtigsten sind, da Modelle gleich funktionieren... aber das ist Theorie, in der Praxis stellt sich heraus, dass die Modellauswahl auch sehr wichtig ist, zum Beispiel ein Kompromiss zwischen Geschwindigkeit und Qualität, da NS in der Regel lang ist...
In der Praxis, P-MT5-Mix über eine libu ist zu langsam und nicht bequem, ich brauche eine native ohne lefty Software oder direkte Verbindung zu P-Server von MT5, aber eine native ist besser. Ich möchte das neuronale Netz, das ich brauche, mit C++ auf mql umschreiben und das ist alles.
ach, ich vergaß hinzuzufügen: IMHO
Ich habe gegrübelt, gegrübelt, gegrübelt...
Es gibt eine Vielzahl von Modellen, von Klassikern wie ARMA/GARCH bis hin zu bahnbrechenden Modellen wie CNN/LSTM, irgendwo in der Mitte zwischen den beliebten MLP\RF\XGB und so weiter. Aber wie alles zu vereinheitlichen? so dass zum Beispiel könnten wir austauschen / verkaufen ausgebildete Modelle in einem universellen Format, lesbar überall ohne spezielle Bibliotheken und Ausbildung, die versucht, jemand etwas nicht trivial Modell übergeben wahrscheinlich verstehen, was ich meine)))
Und dann wurde mir klar, dass die Nummerai - dieses Problem gelöst hat! Was sie ihnen schicken, sind nicht nur Vorhersagen, sondern ein dummes, fertiges Modell, das mit ausreichender Genauigkeit abgetastet wurde. Eigentlich sollte es so sein, denn wie kann man sonst Fics aus der Zukunft vorher bekommen, um ihnen eine Antwort zu geben, Fics sind in Echtzeit, man kann sie nicht vorher kennen. Aber wenn wir N-dimensionalen Raum mit einem Gitter von Punkten zu füllen, dann ein neuer Punkt, der nächstgelegene (n) aus dem Gitter, die sofort als ein Element des Arrays von Index gesucht werden. Und jedes einfache und knifflige Modell lässt sich in ein solches Modell verwandeln, das leicht übertragen und verwendet werden kann, ohne seine Geheimnisse zu verraten.
Respekt an numer.ai, die Idee ist super!
Ich schlage vor, darüber nachzudenken, wie es in unserer armseligen Gemeinschaft eingesetzt werden kann)))