Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 550
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
Nun, ja, es handelt sich nicht um fertige ökonometrische Modelle, sondern einfach um ein für alle Bereiche gültiges Instrumentarium.
Bei der nichtparametrischen Ökonometrie geht es nur um IR und Fuzzy-Logik, aber ich habe noch keine kohärenten Ergebnisse gesehen, vielleicht weil noch keine allgemeinen Ansätze ausgearbeitet wurden. Ich weiß nicht, wie das funktioniert :)
Ich habe Angst vor dem, was passieren könnte, Maxim, aber meiner Meinung nach sind neuronale Netze nicht in der Weise anwendbar, wie ich es in meinen Artikeln gelesen habe. Sie arbeiten mit dem Preis selbst, obwohl Sie ihn normalisieren, während Sie mit der Preiswahrscheinlichkeitsdichte arbeiten sollten. Hier liegt der unauslöschliche Widerspruch zur Heisenbergschen Unschärferelation. Aber ich werde mich nicht einmischen - es ist immer noch interessant.
Sie mischen sich nicht ein, schreiben Sie, was Sie wollen - es ist ein öffentliches Forum. Und auch zu Ihren Ausschüttungen werden wir kommen, nicht alle auf einmal, solange es eine Reihe von "unbeschreiblichen" Ideen gibt :D
Ich habe in den Tanz nur, weil ich die Bedeutung der Funktionen für LR und RF durch Python oder R zu bekommen hatte, dann habe ich mitgerissen und begann weiter zu erkunden
Ich habe einen Bot in NS, den ich regelmäßig mit "guten Eigenschaften" auf Automatismus füttern muss, unter Berücksichtigung der sich ändernden Markt, aber sonst funktioniert es gut...
Sie mischen sich nicht ein, schreiben Sie, was Sie wollen - es ist ein öffentliches Forum. Und auch zu Ihren Verteilungen werden wir kommen, nicht alle auf einmal, solange es eine Reihe von "unbeschreiblichen" Ideen gibt :D
Ich habe in den Tanz nur, weil ich die Bedeutung der Funktionen für LR und RF durch Python oder R zu bekommen hatte, dann habe ich mitgerissen und begann weiter zu erkunden
Wenn ich einen Roboter in NS habe, sollte ich ihn regelmäßig mit "guten Zeichen" auf Automatismus füttern, unter Berücksichtigung der sich ändernden Markt, aber sonst funktioniert es gut...
Maxim, was ist mit Ihrem Expert Advisor los? Wo können Sie die Tests finden?
https://github.com/RandomKori/Py36MT5 Hier sind die Quellen der Python-Bibliothek für MT5. Das einzige Problem besteht bei Arrays. Die Übergabe eines Arrays oder der Empfang eines Arrays funktioniert nicht korrekt. Ich habe den DLL-Code in Visual Studio debuggt. Dort funktioniert alles. Die Frage ist, ob es sich um einen Terminalfehler handelt. Ich habe nicht geschrieben, wie man mit der Bibliothek arbeitet. Das hat keinen Sinn. Niemand braucht sie ohne Arrays. Obwohl vielleicht schraubte in pythom.mqh Datei Helfen Sie mir, es herauszufinden. Sie wird für alle von Nutzen sein.
Die echten Arrays funktionieren so, wie sie sollten. Arrays lange Arrays funktionieren nicht.
Ersetzte die lange auf der int. Jetzt funktioniert alles. Die Bibliothek kann genutzt werden. Es werden nur Kommentare zur Verwendung geschrieben.
Maxim, was ist mit Ihrem EA los? Wo kann ich die Tests einsehen, oder ist alles geheim?
Ich werde immer besser... Aber langsam, wegen der Komplexität des Themas
Einige Beobachtungen/Gedanken zum Aufbau eines Marktmodells (aus Erfahrung):
Bei Klassifikatoren mit neuronalen Netzen ist ein Klassenausgleich obligatorisch, d. h. die Anzahl der Beispiele für 2 oder mehr Klassen muss ausgeglichen sein. Wenn das Modell auf einem Trendsegment trainiert ist, kann man Signale spiegeln und Gegenbeispiele hinzufügen. Zugleich dürfen die Zeichen nicht mit dem Ziel korrelieren, das klar ist.
Für die Regressoren des neuronalen Netzes gilt: Mindestens einer der Indikatoren mussstark mit dem Ziel korrelieren, insbesondere wenn das Modell auf Ausgangspreisen trainiert wird. Wenn Sie dies nicht tun, geht der Regressor in einem Baum verloren und kann den Preis nicht korrekt vorhersagen, wenn die Stichprobe wiederholte oder ähnliche Beispiele, aber mit unterschiedlichen Ausgangspreisen enthält. Zu diesem Zweck können Sie zusätzlich zu anderen Merkmalen normalisierte Inkremente mit großer Verzögerung (mehr als 50) einspeisen. Je größer eine trainierte Stichprobe ist, desto größer ist die Verzögerung, die erforderlich ist, um sich wiederholende Varianten auszuschließen. Es ist auch wünschenswert, mehrere solcher Reihen mit gegeneinander verschobenen Inkrementen einzuspeisen, dann wird jeder Einzelfall nahezu eindeutig interpretiert.
Für Zufallswälder als Klassifikatoren: wie für NS.
Für Zufallswälder als Regressoren: fast nutzlos, genauso wie für NS, aber es ist unmöglich, Preise am Ausgang anzugeben (da Wälder nicht extrapolieren), und wenn wir Inkremente für diese Zwecke angeben, werden Wälder in 3 Kiefern verwechselt, da es viele überlappende Beispiele geben wird.
Einige Beobachtungen/Gedanken zum Aufbau eines Marktmodells (aus Erfahrung):
Bei Klassifikatoren mit neuronalen Netzen ist ein Klassenausgleich obligatorisch, d. h. die Anzahl der Beispiele für 2 oder mehr Klassen muss ausgeglichen sein. Wenn das Modell auf einem Trendsegment trainiert ist, kann man Signale spiegeln und Gegenbeispiele hinzufügen. In diesem Fall dürfen die Signale nicht mit dem Zielsignal korrelieren, was verständlich ist.
Genau die gegenteilige Meinung. Ich habe Beweise bis hin zur Arbeit in der Realität. Für mich ist klar, dass es unmöglich ist, eine Klassifizierung auf der Grundlage von Kaffeesatz und Saturnringen zu erstellen, und zwar NIEMALS - das ist Schamanismus. Out-of-sample-Modelle führen nur dann zu annähernd den gleichen Ergebnissen wie in-sample-Modelle, wenn man den Eingabesatz der Prädiktoren von Rauschen bereinigt und nur diejenigen belässt, die für die Zielvariable relevant sind. Darüber hinaus habe ich einen Algorithmus zur Bereinigung des Rauschens entwickelt, und die Berechnungsergebnisse für die verbleibenden Prädiktoren ergeben den Grenzfehler, mit dem die Klassifizierung für diesen Satz von Prädiktoren durchgeführt wird.
Das genaue Gegenteil ist der Fall. Ich habe Beweise, die bis zur Arbeit in der realen Welt reichen. Für mich ist klar, dass eine Klassifizierung auf der Grundlage von Kaffeesatz und Saturnringen NIEMALS schamanistisch sein kann. Out-of-sample-Modelle führen nur dann zu annähernd den gleichen Ergebnissen wie in-sample-Modelle, wenn man den Eingabesatz der Prädiktoren von Rauschen bereinigt und nur diejenigen belässt, die für die Zielvariable relevant sind. Außerdem verfüge ich über einen Algorithmus zur Bereinigung des Rauschens, und die Berechnungsergebnisse für die verbleibenden Prädiktoren ergeben den Grenzfehler, mit dem die Klassifizierung für diesen Satz von Prädiktoren vorgenommen wird.
Diese Frage ist für mich nicht klar, wenn wir einen nicht-linearen Klassifikator bekommen... was sollte dort mit was korrelieren? ) Und wenn es sich um kategoriale Merkmale handelt, funktioniert die Regression überhaupt nicht, wohl aber die Klassifikation.
aber für die Regression ist es gerechtfertigt