Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 695
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
Ich habe über Regression nachgedacht....
Bei der Regression auf den Finanzmärkten handelt es sich nicht um eine glatte Funktion, sondern vielmehr um eine Stufenfunktion mit 1-Punkt-Schritten. (sowohl für die Lehrkraft als auch für die Prognose). Wenn wir zum Beispiel die Bewegung auf +/- 100 Punkte begrenzen, dann gibt es eine Analogie zur Einteilung in 200 Klassen. Das heißt, die Ausgabe ist eine Vorhersage der wahrscheinlichsten Klasse - zum Beispiel +22 Punkte.
Bedeutet dies nicht, dass für gute Ergebnisse die Struktur/Komplexität des Modells (Anzahl der Neuronen) für die Regression 200 Mal größer sein sollte? Nun, wenn Sie die Stufe auf 5 Punkte erhöhen, dann wäre 40 mal ein bisschen wirtschaftlicher auf Kosten von weniger Genauigkeit.
Irgendwelche Ideen zu diesem Thema?
Sie können die Regression nicht auf der Basis von Preisen durchführen, sondern auf der Basis von Inkrementen, dann wird die Anzahl der Varianten geringer sein.
Sie brauchen nicht mehr Neuronen, eigentlich brauchen Sie nicht viel davon für die Regression... bei der linearen Regression brauchen Sie 1 Koeffizienten pro Merkmal :)
Sie können die Regression nicht auf der Basis von Preisen durchführen, sondern auf der Basis von Inkrementen, dann wird die Anzahl der Varianten geringer sein.
Mehr Neuronen braucht man nicht, und eigentlich braucht man auch nicht viele davon für eine Regression... bei einer linearen Regression braucht man 1 Koeffizienten pro Merkmal :)
Ich meine +/- 100 pt, nicht Preise.
Nun, die Analogie mit 200 Klassen ist direkt... obwohl sie nacheinander ablaufen und von einer gestuften Funktion zu einer glatten Funktion geglättet werden können
Die Schrittweite ist das, was mit +/- 100 pt gemeint ist.
Nun, die Analogie mit 200 Klassen ist direkt...
Nun, die Klassen haben auch mehr als einen Ausgangswert, er wird einfach durch ein Sigmoid geteilt
Keine Ideen zu diesem Thema?
Die Einteilung in 200 Klassen erfordert 200 Neuronen in der Ausgabe und entsprechend viele Neuronen in den inneren Schichten, damit alles irgendwie funktioniert.
Und für die Regression braucht man nur 1 Ausgangsneuron, der Wert, den es ausgibt, ist Pronosis, "+22p, plus oder minus Fehler". Und es gibt wahrscheinlich weniger versteckte Neuronen.
Der Lehrer wird diskret sein, mit einem Zahlenzeichen wie einem Symbol. Die Prognose ist jedoch eine regelmäßige, nicht kontinuierliche, zweistellige Zahl mit 16 Ziffern, so dass die Schätzfunktion (z. B. der mittlere quadratische Fehler) ebenfalls kontinuierlich sein wird.
Interessanter Artikel über eine Studie zu acht Modellen des maschinellen Lernens
Bedauerlich ist, dass die Autoren des Artikels künstliche Preise anstelle der Ölpreise als Beispiel genommen haben. Die Ergebnisse wurden unter idealen Bedingungen erzielt, und es ist nicht klar, ob sie auf den realen Handel übertragbar sind.
Heute ist Gralstag, aber wir wissen, wie er aussieht und wie viel Arbeit es ist, ihn in den Händen zu halten!!!!
Ich habe keine Angst vor dem Wort, aber heute habe ich einen Gral für mich gefunden. Ich habe es wiederholt getestet und die Ergebnisse waren erstaunlich. Besonderer Dank gilt Dr. Trader für seine Unterstützung, die zu dieser Entdeckung geführt hat. Ich habe keine Angst vor diesem Wort........ Mit Hilfe von R war ich in der Lage, eine Reihe wichtiger Prädiktoren zu finden, und da das Ziel die gleiche Anzahl von Klassen hat, kann die Menge der wichtigen Prädiktoren durch ein wenig Herumspielen (Hinzufügen oder Entfernen einer Klasse) um eine oder zwei Spalten erweitert werden. Ich habe es einmal ausprobiert, und es war einfach so normal, sie hinzuzufügen. Dann beginnen wir, das Modell mit den besten Lernergebnissen auszuwählen.
Natürlich ist die Größe des Polynoms nicht sehr groß, aber es funktioniert theoretisch 50% des Trainingsintervalls, d.h. eine Woche, und das ist genug für mich!!!!!! Aber hier ist die Sache.... Und ich wende mich jetzt an die Leute, die hier nach verlässlichen und stabilen Mustern suchen. Einfacher zu erklären mit einem Beispiel.........
Ich speichere eine Datentabelle mit 1000 Zeilen und 111 Spalten, in der 110 Prädiktoren und so ausgegeben werden. ABER ich nehme nicht die ganze Tabelle, sondern einen kleinen frischen Ausschnitt von 40 Datensätzen (das sind ungefähr 2 Wochen TS-Arbeit). Als Ergebnis habe ich eine Trainingsmenge von 40 mal 110 plus das Ziel. In der Tat nehme ich genau an diesem Tag und genau in diesem Intervall eine Marktscheibe. Diese Scheibe ist stationär. Dann wähle ich signifikante Inputvariablen im Verhältnis zum Output aus und erhalte 3 bis 5 Spalten, die meines Erachtens das erforderliche Alpha aufweisen und mir einen Vorteil gegenüber anderen Marktteilnehmern verschaffen. Und nun das Wichtigste.... Worum ging es bei der ganzen Diskussion? Sobald ich der Datentabelle für das Training eine weitere Zeile hinzufüge, wird sich die Spaltenmenge drastisch ändern, d. h. alpha wird zu einer anderen Spaltenmenge wechseln. Vielleicht nicht sofort, aber nachdem Sie mehr als eine Zeile hinzugefügt haben. D.h. Signale TS!!!! Alpha ist genau das gleiche Muster in seiner reinsten Form, die minimal ist und für die Zielfunktion ausreicht. Dieses Muster ist jedoch nicht offensichtlich, d. h. es ist mit bloßem Auge nur sehr schwer zu erkennen. An diesem Punkt kommt die künstliche Intelligenz ins Spiel und erledigt ihre Arbeit.
Und nun stellen Sie sich vor, wie alpha auf alle Datenfelder, die ich entlade, aufspringen kann, wenn sie selten in mehr als fünf Eingaben enthalten sind, und das Feld insgesamt 110 Eingaben hat. Mit anderen Worten: Mit jedem neuen Slice erhalte ich einen völlig anderen Satz von Prädiktoren. Und wie will man da mithalten, und selbst bei einer Entfernung von einem JAHR!!!!!!!, wenn es wochenlang hier ist, kann man es kaum richtig einfangen....... Aber Sie haben völlig recht, es gibt einen Gral, aber jeder hat seinen eigenen, und um ihn zu behalten, muss man sich sehr anstrengen.......
Und noch einmal zu den Theoretikern der Demokonten: So wird es gemacht.......
Ich habe mit der Theorie gearbeitet und einige Tests damit durchgeführt. Die Tests zeigten gute Ergebnisse. Die Modelle werden mit der UPU trainiert, wenn der Roboter geladen ist. Beobachten Sie diese Woche mein Signal und Sie werden sofort sehen, was meine Annahmen wert sind.
Ich sehe nicht, was das Problem ist, Sie clustern Balken (um sie zuverlässig zu vergleichen), erstellen Statistiken über die Wiederholungen eines beliebigen Elements, Sie können mit dem häufigsten beginnen. Erstellen Sie dann eine Statistik der Wiederholungen im Paar mit einem anderen Element (besser das zweite der Statistik, obwohl Sie immer noch alle überprüfen müssen), wählen Sie die maximale Statistik, setzen Sie den zweiten Punkt auf das Diagramm, und so weiter. Sobald die Grafik einen Knick zeigt, ist dies die optimale Länge für dieses Wort. Auf diese Weise überprüfen Sie alle Buchstaben.
Holen Sie sich eine Reihe von Wörtern, von denen bereits die Zusammenstellung von Sätzen, hier ist ein Worte können bereits auf die TC, sondern sollte zunächst die Worte Kodierung für die Nähe zueinander, obwohl mit diesem zu bewältigen und die TC, gibt es auch ein Autoencoder am Ende. Kurzum, in diesem Stadium ist der Phantasie keine Grenzen gesetzt.
Kann jemand den Inkrement-Indikator überprüfen? Aus irgendeinem Grund gibt es Löcher in der Darstellung bei niedrigen TFs, und nicht nur das, wenn man zurückspult... wird das Indikatorfenster leer. Oder ist es einfach an der Zeit, das Terminal neu zu installieren?
dies ist richtiger
double pr2 = (pr!=0?log(pr):0);
Es ist bedauerlich, dass die Autoren des Artikels künstliche Preise statt der Ölpreise als Beispiel genommen haben. Die Ergebnisse beziehen sich auf ideale Bedingungen, und es ist nicht klar, ob sie auf den realen Handel übertragbar wären.
Absichtlich gemacht, um die theoretische Vielfalt der Preise abzudecken und diese Vielfalt ausdrücklich zu nennen.