Librerías: RL algorithms
Probablemente, cuanto mayor sea el archivo de resultados de entrenamiento, mayor será la probabilidad de ajuste.
Si la muestra no es representativa, lo que siempre ocurre en Forex, entonces sí. Se puede reducir disminuyendo un poco la regularización.
Además, aún no se ha resuelto el problema del sobremuestreo de objetivos, que en combinación con el sobremuestreo de entradas debería dar resultados más interesantes.
Si la muestra no es representativa, como ocurre siempre en Forex, entonces sí. Se puede reducir mediante la reducción de la regularización, un poco
Además, aún no se ha resuelto el tema de la búsqueda de objetivos, que junto con la búsqueda de entradas debería dar resultados más interesantes.
Cuanto más se acerque el tamaño del fichero de resultados del aprendizaje al tamaño del histórico de precios, menos tendrás que hacer algo en el modelo.
Por ejemplo, si el tamaño del fichero de aprendizaje es igual al del fichero OHLC, el modelo es el propio historial. Es decir, es bueno que el fichero de aprendizaje (la parte del mismo que se utiliza) sea órdenes de magnitud más pequeño que el tamaño del historial.
Cuanto más se acerque el tamaño del archivo de resultados de la formación al tamaño del historial de precios, menos tendrá que hacer algo en el modelo.
Por ejemplo, si el fichero de aprendizaje tiene el mismo tamaño que el fichero OHLC, el modelo es el propio historial. Es decir, es bueno que el archivo de aprendizaje (la parte de él que se utiliza) sea órdenes de magnitud más pequeño que el tamaño del historial.
De esta manera se preserva el bosque aleatorio, siempre archivos grandes, no se pueden reducir. Usted puede utilizar lineal, entonces el archivo contendrá sólo los coeficientes de regresión, y el reentrenamiento será menor.
Yo sólo estaba interesado en el uso de RF, inicialmente. Pero es demasiado aficionado a overtraining en cualquier circunstancia
De esta manera el bosque aleatorio se guarda, siempre grandes archivos, no pueden ser reducidos. Puede utilizar lineal, a continuación, sólo los coeficientes de regresión estará en el archivo, y el reentrenamiento será menor.
Yo sólo estaba interesado en el uso de RF, inicialmente. Pero algo que le gusta volver a entrenar demasiado en cualquier circunstancia.
El punto es que sería bueno guardar sólo la información utilizada en learn=false. Si hay mucha, el trabajo es casi inútil.
Como analogía, guardar los datos de BestInterval. Si hay pocos de ellos, todavía se puede ver sin ningún truco. Pero si hay muchos de ellos - sólo para las fotos.
La cuestión es que sería bueno guardar sólo la información utilizada en learn=false. Si hay mucha, el trabajo es casi inútil.
Como analogía, guardar los datos de BestInterval. Si hay pocos, todavía se puede ver sin ningún truco. Pero si hay muchos, sólo sirve para las fotos.
Bueno, sí, sobre todo si hay más información explicativa que explicable - es una broma :)
Más adelante ofreceré otras variantes de la lib
Lo probé, mi impresión es ambigua, lo probé en un gráfico personalizado generado por la función Weierstrass utilizando la fórmula.
En teoría, en este gráfico personalizado RandomForest debería haber encontrado puntos de entrada muy cerca de ZigZag, o al menos no tener órdenes perdedoras en absoluto, en TF H1 periodicidad es claramente trazable, pero RF tipo de encontrado este patrón, pero las órdenes perdedoras también están presentes
probado antes en MT4 en los mismos datos el viejo GoldWarrior Expert Advisor (encontrado en el foro Inglés) - un asesor en ZigZag, en el optimizador de MT4 en todos los TF hasta M15 encuentra claramente patrones y exclusivamente en + todas las órdenes.
He probado un indicador Asesor Experto en el cruce de líneas de regresión (por desgracia, lo hice a la orden, no puedo proporcionar el código), y este Asesor Experto en el optimizador rápidamente encontró regularidades en la función de Weierstrass.
¿Por qué estos ejemplos? - Si los métodos primitivos pueden encontrar regularidades, el aprendizaje automático está tanto más obligado a encontrarlas.
con todo el respeto al autor, pero el resultado es dudoso, o mejor dicho, el ejemplo de trabajo con RandomForest es excelente. pero todavía hay espacio para poner sus esfuerzos ;).
ZY: entrenado desde 2000.01.01 hasta 2001.01.01 probado desde 2001.01.01 hasta 2002.01.01
ZY: script para gráfico personalizado adjunto, Biblioteca de símbolos en KB
// CustomRatesReplace(WrstName,0,LONG_MAX,rates);
SymbDB.CloneRates(rates);
ajá, ¡gracias!
Estuve 20 minutos leyendo tu libreria, pero aun no lo descubri, no estoy atento hoy, y el proposito era probar el codigo del autor para ver que ve RandomForest .
actualicé mi script y lo adjunté arriba de nuevo
Lo he probado, la impresión es ambigua, lo he probado en un gráfico personalizado generado por la función Weierstrass utilizando la fórmula
En teoría en este gráfico personalizado RandomForest debería haber encontrado puntos de entrada muy cerca del ZigZag, o al menos no tener órdenes perdedoras en absoluto, en el H1 TF la periodicidad es claramente trazable, pero RF tipo de encontrado este patrón, pero las órdenes perdedoras también están presentes
He probado antes en MT4 sobre los mismos datos el antiguo GoldWarrior Expert Advisor (encontrado en el foro inglés) - ZigZag Expert Advisor, en el optimizador de MT4 sobre todos los TFs hasta M15 encuentra claramente regularidades y todas las órdenes están exclusivamente en +.
He probado un asesor indicador en el cruce de líneas de regresión (por desgracia, lo hice a la orden, no puedo proporcionar el código), y este asesor encontró rápidamente regularidades en la función de Weierstrass en el optimizador.
¿Por qué estos ejemplos? - Si los métodos primitivos pueden encontrar regularidades, el aprendizaje automático está tanto más obligado a encontrarlas.
con el debido respeto al autor, pero este es un resultado cuestionable, o más bien el ejemplo de trabajo con RandomForest es excelente. pero todavía se puede mejorar ;)
SZY: entrenado de 2000.01.01 a 2001.01.01 probado de 2001.01.01 a 2002.01.01
ZY: script para gráfico personalizado adjunto, Biblioteca de símbolos en KB
No, ahora no funciona así. No busca ningún patrón armónico. Las salidas son muestreadas aleatoriamente y muy a menudo, y entonces intenta aproximar la política lo mejor que puede. Para que se aproxime a cualquier patrón que necesita para muestrear las salidas de acuerdo con alguna otra lógica, tal vez el mismo zigzag.
Todo esto es fácil de cambiar en la recompensa f-i. Simplemente no tengo mucho tiempo ahora para hacer cientos de experimentos. Tal vez de alguna manera se puede llegar a través del Optimizador.
En cualquier caso, necesitas definir algún rango de condiciones entre las que se buscará la mejor variante. Porque hay un número infinito de variantes.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
RL algorithms:
Son las librerías a base de las ideas del artículo «RDF en el aprendizaje reforzado»
Autor: Maxim Dmitrievsky