Bayes'sche Regression - Hat jemand einen EA mit diesem Algorithmus erstellt? - Seite 50
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
Die Muster sind zeitabhängig. Trainieren Sie mit einem separaten Klassifikator für jeden Wochentag, oder versuchen Sie, die Mondphase (ich meine es ernst) oder die Tageszeit zu den Rohdaten hinzuzufügen, ich weiß nicht, was genau zu tun ist, aber es ist sehr wichtig.
2) Ja, das habe ich bereits getan. Ich habe einen großen Datensatz - ich kann ihn hier zur Verfügung stellen - wo ich die Preisdaten ergänzt habe:
- Stunde
- Minute
- Tag der Woche
- Monat
- Tag des Monats.
Das ist natürlich wichtig. Aber wir sollten nicht den Tag oder die Tageszeit bestimmen, zu der der TS erfolgreich ist, sondern die Art des Marktes, wenn der TS erfolgreich ist - Trend, Flat, saisonale Muster. Die Art des Marktes bestimmt die Art der Daten, und nicht der Wochentag oder die Tricks des Brokers. Die Beschaffenheit des Marktes kann anhand der Geschichte bestimmt werden, aber um sie real zu bestimmen, wie Dmitry Fedoseyev schrieb: "Das Hauptproblem der Analyse und des Handels ist die Identifizierung des Trends.
TS gilt zum Beispiel als erfolgreich in der Wohnung. Gibt es irgendwelche Indikatoren, die eine Flaute vorhersagen?
Das ist natürlich wichtig. Es ist nur notwendig, nicht den Tag oder die Tageszeit zu bestimmen, zu der das TS erfolgreich ist, sondern die Art des Marktes, wenn das TS erfolgreich ist - Trend, Flat, saisonale Muster. Die Art des Marktes bestimmt die Art der Daten, und nicht der Wochentag oder die Tricks des Brokers. Die Beschaffenheit des Marktes kann anhand der Geschichte bestimmt werden, aber um sie real zu bestimmen, wie Dmitry Fedoseyev schrieb: "Das Hauptproblem der Analyse und des Handels ist die Identifizierung des Trends.
TS gilt zum Beispiel als erfolgreich in der Wohnung. Gibt es irgendwelche Indikatoren, die die Wohnung vorhersagen?
Der Punkt ist, dass Sie den Tag und die Tageszeit im Voraus bestimmen können, aber Trend und Wohnung nicht.
Wenn Sie wissen, wie Sie den Trend und die Wohnung im Voraus erkennen können, dann brauchen Sie nichts weiter - der Gral liegt vor Ihnen.
Gibt es irgendwelche Indikatoren, die eine Flaute vorhersagen?
Man kann auch einen Klassifikator dafür erstellen, mit Bäumen und R, wie in Alexeys Blog. Wir müssen mehrere Jahre der Balkenhistorie sammeln und dann manuell oder mit Hilfe eines Indikators festlegen, welche Zeitintervalle flach waren und welche nicht, und das Modell einlernen. Um das Modell einzulernen, verwenden Sie nicht wie im Beispiel den Preisanstieg der nächsten Periode, sondern geben Sie die Pauschal-/Trendwerte an (z.B. 0 und 1 entsprechend). Und wir werden den Indikator erhalten.
Wenn man jedoch einen Klassifikator erstellt, der von Null ausgeht und künftige Preiserhöhungen vorhersagt, sollte der Klassifikator selbst lernen, zwischen einer Flaute und einem Trend zu unterscheiden. Seine Logik wird keine so klaren Begriffe enthalten, aber konzeptionell muss er lernen, verschiedene Marktcharaktere zu unterscheiden und die Prognose entsprechend zu ändern. Ein adäquater Klassifikator darf nicht nur in bestimmten Zeiträumen arbeiten, seine Aufgabe ist es, immer gewinnbringend zu arbeiten.
Zu diesem Zweck können wir auch einen Klassifikator mit Bäumen und R erstellen, wie in Alexeys Blog. Wir müssen mehrere Jahre der Balkenhistorie sammeln, dann manuell oder mit Hilfe eines Indikators festlegen, welche Zeitintervalle flach waren und welche nicht, und das Modell anlernen. Um das Modell einzulernen, verwenden Sie nicht wie im Beispiel den Preisanstieg der nächsten Periode, sondern geben Sie die Pauschal-/Trendwerte an (z.B. 0 und 1 entsprechend). Und wir werden den Indikator erhalten.
Er ist kein Indikator, sondern ein Klassifikator - er sagt nicht voraus, sondern klassifiziert. Grob gesagt, kann es, nachdem es einen Teil der Geschichte studiert hat, sagen, ob dieser Teil ein Trend oder eine Flaute ist.
Aber das Problem ist, dass ich das auch nach Augenmaß machen kann - ich brauche keinen Indikator.
Er ist kein Indikator, sondern ein Klassifikator - er sagt nicht voraus, er klassifiziert. Wenn man also einen Teil der Geschichte studiert hat, kann man grob gesagt sagen, ob es sich bei diesem Teil um einen Trend oder eine Flaute handelt.
Aber das Problem ist, dass ich das mit dem Auge machen kann - ich brauche den Indikator nicht.
Die Praxis verrät uns noch etwas anderes. Das hängt davon ab, was Sie unterrichten.
Wenn man die Vergangenheit einfach klassifiziert, ja.
Wenn man aber den Lehrer verschiebt, d.h. die Vergangenheitswerte der Prädiktoren entsprechen dem aktuellen Wert des Lehrers, dann kann man die Zukunft vorhersagen. Sie verschieben zum Beispiel um 1 bar. Wenn also ein neuer Balken eintrifft, berechnen Sie alle Ihre Prädiktoren und verwenden dann das in der PAST trainierte Modell, um Ihre Flip-Trends vorherzusagen. Sie können sie mit einer Verschiebung von mehr als 1 einlernen. Das Tolle an Prognosemodellen, die vergangene Balken extrapolieren, ist, dass sich der Fehler (bestenfalls) mit zunehmendem Prognosehorizont summiert, was bei der Klassifizierung nicht der Fall ist. Bei einer Vorhersage für H1 beträgt der Fehler bei +1 = 30 % (die tatsächliche Zahl), bei +2 etwas mehr und bei +4 fast 30 %.
Und nicht nur das: Wenn Sie sich mit Burnakov-Häusern anfreunden, können Sie Verschiebungen in die Zukunft finden, die ungefähr den gleichen Vorhersagefehler haben wie der +1-Balken.
Wir können auch einen Klassifikator dafür erstellen, mit Bäumen und R, wie in Alexeys Blog. Wir müssen mehrere Jahre der Balkenhistorie sammeln, dann manuell oder mit Hilfe eines Indikators festlegen, welche Zeitintervalle flach waren und welche nicht, und das Modell anlernen. Um das Modell einzulernen, verwenden Sie nicht wie im Beispiel den Preisanstieg der nächsten Periode, sondern geben Sie die Pauschal-/Trendwerte an (z.B. 0 und 1 entsprechend). Und wir werden den Indikator erhalten.
Wenn man jedoch einen Klassifikator erstellt, der von Null ausgeht und künftige Preissteigerungen vorhersagt, sollte der Klassifikator selbst lernen, eine Flaute von einem Trend zu unterscheiden. Seine Logik wird keine so klaren Begriffe enthalten, aber konzeptionell muss er lernen, verschiedene Marktcharaktere zu unterscheiden und die Prognose entsprechend zu ändern. Ein adäquater Klassifikator sollte nicht nur in bestimmten Zeitabschnitten arbeiten, sondern immer gewinnbringend arbeiten.
Alexeys Blog, Modelltraining, Klassifizierung ist zu kompliziert für meine Aufgabe und mich. Ich möchte etwas Einfacheres für die Vorhersage der Wohnung mit einer bestimmten Wahrscheinlichkeit.
Etwas wie ADX. Und in MQL4 wäre das für Händler, Ökonomen und Philosophen verständlich, und nicht nur für Experten in mathematischen Paketen und Programmiersprachen wie R, Python usw.
Wir können auch einen Klassifikator dafür erstellen, mit Bäumen und R, wie in Alexeys Blog. Wir müssen mehrere Jahre der Balkenhistorie sammeln, dann manuell oder mit Hilfe eines Indikators festlegen, welche Zeitintervalle flach waren und welche nicht, und das Modell trainieren. Um das Modell einzulernen, verwenden Sie nicht wie im Beispiel den Preisanstieg der nächsten Periode, sondern geben Sie die Pauschal-/Trendwerte an (z.B. 0 und 1 entsprechend). Und wir werden den Indikator erhalten.
Wenn man jedoch einen Klassifikator erstellt, der von Null ausgeht und künftige Preissteigerungen vorhersagt, sollte der Klassifikator selbst lernen, eine Flaute von einem Trend zu unterscheiden. Seine Logik wird keine so klaren Begriffe enthalten, aber konzeptionell muss er lernen, verschiedene Marktcharaktere zu unterscheiden und die Prognose entsprechend zu ändern. Ein adäquater Klassifikator darf nicht nur in bestimmten Zeitintervallen arbeiten, seine Aufgabe ist es, jedes Mal gewinnbringend zu arbeiten.
Ich scheine einen Klassifikator zu haben, der das lernt.
Sehen Sie, das ist das Eingabedatenschema.
Ich gebe der Maschine
die Differenz zum gleitenden Durchschnitt
die Differenz mit dem gleitenden Hoch
auch mit einem Minimum
Verbreitung der Daten
Standardabweichung
und einfach die Differenz zwischen den mit Verzögerung genommenen Preisen.
Stellen Sie sich nun vor, dass dieses Fenster immer noch zwischen 2 und 724 Minuten variiert - es gibt 18 Sätze solcher Prädiktoren.
Das sollte ausreichen, um eine Trendbewegung von einer Flaute zu unterscheiden. Zumindest lässt sich dies an der Differenz zwischen den Preisen mit Verzögerung und der Streuung der Daten (und der Standardabweichung) ablesen.
Ich wollte auch die Steigung der linearen Regression für das Preisfenster nehmen. Auch mit einem variablen Fenster. Aber es sind dieselben Eier. Man kann es aber versuchen.
Der Klassifikator hebt also ständig die Differenz zum gleitenden Durchschnitt als wichtigsten Prädiktor hervor, ebenso wie die Unterschiede zwischen den Preisen, einschließlich der Spreads und Standardabweichungen. Alles wird von ihr genutzt.
Die Praxis zeigt ein anderes Bild. Das hängt davon ab, was Sie unterrichten.
Wenn man die Vergangenheit einfach klassifiziert, dann ja.
Wenn Sie jedoch die Lehrer verschieben, d. h. die Werte der vergangenen Prädiktoren entsprechen den aktuellen Lehrerwerten, dann sagen Sie die Zukunft voraus. Sie verschieben zum Beispiel um 1 bar. Wenn also ein neuer Balken eintrifft, berechnen Sie alle Ihre Prädiktoren und verwenden dann das in der PAST trainierte Modell, um Ihre Flip-Trends vorherzusagen. Sie können sie mit einer Verschiebung von mehr als 1 einlernen. Das Tolle an Prognosemodellen, die vergangene Balken extrapolieren, ist, dass sich der Fehler (bestenfalls) mit zunehmendem Prognosehorizont summiert, was bei der Klassifizierung nicht der Fall ist. Bei einer Vorhersage für H1 beträgt der Fehler bei +1 = 30 % (die tatsächliche Zahl), bei +2 etwas mehr und bei +4 fast 30 %.
Und nicht nur das: Wenn man anfängt, sich mit Burnakov-Häusern anzufreunden, kann man in der Zukunft Verschiebungen finden, die etwa den gleichen Vorhersagefehler haben wie der +1-Balken.
Ja. Es ist nicht so, dass ich einen Schritt vorausschauend prognostiziere, wie zum Beispiel bei ARIMA. Bei Arima wächst der Fehler exponentiell, weil das, was einen Schritt vorwärts vorhergesagt wurde, als Prädiktor verwendet wird, und dies wird so oft wiederholt, wie vorwärts vorhergesagt werden soll.
Ursprünglich hatte ich 18 Zielvariablen, für die ich die Modelle einzeln trainierte (ich ging die Trainingsparameter durch und hielt bei der besten Kombination an). Auf diese Weise kann ich sehen, für welchen Horizont alles besser vorhergesagt wird.
Mein Training für alle Ziele dauert etwa einen Tag. Aber auch das ist noch nicht alles. Ein mehrschichtiges neuronales Netz auf einem Grafikprozessor kann eine Woche lang für ein Ziel trainieren.
Ursprünglich hatte ich 18 Zielvariablen, für die ich die Modelle einzeln trainierte (ich ging die Trainingsparameter durch und hielt bei der besten Kombination an).
Ja. Es ist nicht so, dass ich einen Schritt vorausschauend prognostiziere, wie bei ARIMA. Bei Arima wächst der Fehler exponentiell an, da das, was einen Schritt vorausgesagt wurde, als Prädiktor verwendet wird und dies so oft wiederholt wird, wie es für die Voraussage erforderlich ist.
Ursprünglich hatte ich 18 Zielvariablen, für die ich die Modelle einzeln trainierte (ich ging die Trainingsparameter durch und hielt bei der besten Kombination an). Auf diese Weise kann ich sehen, für welchen Horizont alles besser vorhergesagt wird.
Mein Training für alle Ziele dauert etwa einen Tag. Aber auch das ist noch nicht alles. Ein mehrschichtiges neuronales Netz auf einem Grafikprozessor kann eine Woche lang für ein Ziel trainieren.