Diskussion zum Artikel "Feature Engineering mit Python und MQL5 (Teil IV): Erkennung von Kerzenmustern mit der UMAP-Regression"
Ich würde gerne das großartige Ergebnis sehen, das dieser Ansatz hervorgebracht hat
Vielen Dank, dies ist eine wirklich interessante Anwendung. Ein paar Dinge, die helfen können Fehlermodul 'umap' hat kein Attribut 'UMAP' Sie brauchen umap-learninstalled , können Sie dies mit einer Zeile !pip install umap-learn. wenn Sie NameError: name 'FloatTensorType' ist nicht definiert müssen Sie installieren oder aktualisieren onnixxmltools über !pip install onnxmltools. Meine Daten haben sich sehr von den hier gezeigten Daten unterschieden. Ich wäre daran interessiert, wie alle anderen mit dem Code zurechtkommen.
Oluwatobiloba Yusuf Bello Dimensionsreduktion
Sie haben Recht, es ist genau eine Dimensionalitätsreduktion, deshalb habe ich es mit PCA verglichen 🤜🏾🔥🤛🏾UMAP bietet uns mehr Einstellparameter als herkömmliche Dimensionalitätsreduktionsverfahren.
linfo2 #:
Vielen Dank, dies ist eine wirklich interessante Anwendung. Ein paar Dinge, die helfen können Fehlermodul 'umap' hat kein Attribut 'UMAP' Sie brauchen umap-learninstalled , können Sie dies mit einer Zeile !pip install umap-learn. wenn Sie NameError: name 'FloatTensorType' ist nicht definiert müssen Sie installieren oder aktualisieren onnixxmltools über !pip install onnxmltools. Meine Daten haben sich sehr von den hier gezeigten Daten unterschieden. Ich wäre daran interessiert, wie alle anderen mit dem Code zurechtkommen.
Hallo Niel.Vielen Dank, dies ist eine wirklich interessante Anwendung. Ein paar Dinge, die helfen können Fehlermodul 'umap' hat kein Attribut 'UMAP' Sie brauchen umap-learninstalled , können Sie dies mit einer Zeile !pip install umap-learn. wenn Sie NameError: name 'FloatTensorType' ist nicht definiert müssen Sie installieren oder aktualisieren onnixxmltools über !pip install onnxmltools. Meine Daten haben sich sehr von den hier gezeigten Daten unterschieden. Ich wäre daran interessiert, wie alle anderen mit dem Code zurechtkommen.
Danke, dass du diese Lösungen für häufig auftretende Probleme mit uns teilst.
Außerdem hast du einen wichtigen Punkt angesprochen. Ein und dasselbe Symbol kann bei einem Broker leichter und bei einem anderen Broker schwerer zu modellieren sein.
Das liegt zum Teil an den Unterschieden in den Datenfeeds, die jeder Broker hat.
Einige Broker sammeln Echtzeit-Ticks mit minimaler Latenz, andere Broker sammeln Kursaktualisierungen im Minutentakt, einige sammeln Ticks nur, wenn sich die Kursniveaus geändert haben, und wieder andere Broker extrapolieren die Kursniveaus in regelmäßigen Abständen.
Kurz gesagt, die Schwierigkeit der EURUSD-Prognose hängt von dem von Ihnen gewählten Broker ab.
Jeder Broker bietet einen anderen Ausschnitt desselben Marktes an.
Ich möchte EA für MT5 und benutze Exness Broker
Khai Cao XAUUSD zu handeln?
Ja
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
Neuer Artikel Feature Engineering mit Python und MQL5 (Teil IV): Erkennung von Kerzenmustern mit der UMAP-Regression :
Kerzenmuster werden von den meisten algorithmischen Händlern in unserer Community für viele verschiedene Handelsstrategien und -stile verwendet. Unser Verständnis dieser Muster ist jedoch auf die von uns aufgedeckten Kerzen beschränkt, während es in Wahrheit viele andere profitable Kerzenmuster geben könnte, die uns einfach noch nicht bekannt sind. Aufgrund der Fülle an Informationen, die die meisten modernen Märkte abdecken, ist es für Händler eine große Herausforderung, sicher zu sein, dass sie immer die zuverlässigsten Kerzenmuster verwenden, die ihnen in ihrem gewählten Markt zur Verfügung stehen.
Um dieses Problem zu entschärfen, werden wir eine Lösung vorschlagen, die es unserem Computer ermöglicht, neue Kerzenmuster zu erkennen, die uns nicht bekannt waren. Der von uns vorgeschlagene Rahmen ist teilweise mit einem Spiel aus der Kindheit vergleichbar, mit dem die meisten von uns vertraut sein dürften. Das Spiel hat verschiedene Namen. Die zugrunde liegende Prämisse ist jedoch dieselbe. Das Spiel fordert die Spieler auf, ein Substantiv mit Adjektiven zu beschreiben, die das Substantiv nicht enthalten. Wäre das gegebene Substantiv beispielsweise eine Banane, würde der Spieler, der das Spiel leitet, seinen Freunden Hinweise geben, die die Banane am besten beschreiben, wie z. B. „gelb und gekrümmt“, was für den Leser hoffentlich intuitiv zu verstehen ist.
Dieses Kinderspiel ist logischerweise identisch mit den Aufgaben, die wir unserem Computer stellen werden, damit wir neue Kerzenmuster aufdecken können, die sonst durch die große Anzahl von Dimensionen, die unsere Datensätze heutzutage in der Regel annehmen, verborgen geblieben wären. Analog zu dem soeben beschriebenen Spiel, bei dem der Spieler eine Banane mit 3 oder weniger Wörtern beschreiben soll, werden wir unserem Computer Marktdaten mit 10 Spalten zur Verfügung stellen, die die aktuelle Kerze beschreiben, und ihn dann bitten, die ursprünglichen Marktdaten in 8 Spalten (Einbettungen) oder weniger zu beschreiben. Dies wird als Dimensionenreduktion bezeichnet.
Es gibt viele bekannte Verfahren zur Dimensionenreduzierung, die dem Leser vielleicht schon bekannt sind, wie z. B. die Hauptkomponentenanalyse (PCA). Diese Techniken sind hilfreich, weil sie unseren Computer dazu bringen, sich auf den wichtigsten Aspekt der transformierten Daten zu konzentrieren. Heute werden wir eine Technik anwenden, die als Uniform Manifold Approximation And Projection (UMAP) bekannt ist. Dies ist ein neuer Algorithmus, der, wie der Leser bald sehen wird, uns helfen kann, nicht-lineare Beziehungen in unseren Marktdaten auf eine neuartige Weise aufzudecken.
Autor: Gamuchirai Zororo Ndawana