Discusión sobre el artículo "Buscando patrones estacionales en el mercado de divisas con la ayuda del algoritmo CatBoost"
Se publicó el artículo Searching for seasonal patterns on the currency market with the help of CatBoost algorithm:
Autor: Maxim Dmitrievsky
¡Bien hecho, Maxim!
Para darte un ejemplo, aquí están los gráficos de uno de los magos que está cortando el pelo en efectivo en Forex. Aquí están:
https://smart-lab.ru/blog/666149.php
Muy parecido a esto...
Por lo tanto, usted está siguiendo aproximadamente el mismo camino hacia el Grial.
- smart-lab.ru
¡Bien hecho, Maxim!
Para darte un ejemplo, aquí están los gráficos de uno de los Magos que está cortando el dinero en Forex. Aquí están:
https://smart-lab.ru/blog/666149.php
Muy parecido a este....
Así que, estás siguiendo más o menos el mismo camino del Grial.
Bueno, no está claro de qué se trata.
si tomas el aprendizaje automático en forex, siempre habrá datos insuficientes para el entrenamiento. Este es un punto clave que hay que sortear.
En mis artículos, lo sorteo parcialmente generando nuevas muestras plausibles, pero podemos desarrollar el tema.No está claro de qué se trata.
Si se toma el aprendizaje automático en Forex, siempre habrá datos insuficientes para el entrenamiento. Este es un punto clave que hay que eludir.
Pues bien, este Mago está convencido de que las cotizaciones de Forex son una secuencia artificial pseudoaleatoria distorsionada en el tiempo. También trabaja con filtros temporales, si he entendido bien sus expresivos discursos.
Es hora de coger a estos magos por el pecho y averiguarlo todo hasta la última gota :)
Léelo. Bonita sílaba).
Surgió la pregunta de qué filtros, salvo los temporales, pueden ser razonables. Los filtros sobre incrementos, velocidad de movimiento del precio, patrones de velas o ticks son mucho más aleatorios que los temporales. La suposición de que en un mismo momento el precio se comporta igual)) que en otros momentos parece lógica. Lo que no se puede decir de otras señales.
Incluso las noticias se publican con regularidad, y esto tiene un límite temporal.
Léelo. Bonita sílaba:)
Surgió la pregunta, qué filtros, excepto los temporales, pueden ser razonables. Los filtros sobre incrementos, velocidad de movimiento del precio, patrones de velas o ticks son mucho más aleatorios que los temporales. La suposición de que en un mismo momento el precio se comporta igual)) que en otros momentos parece lógica. Lo que no se puede decir de otras señales.
Incluso las noticias se publican con regularidad, y esto tiene un límite temporal.
Los filtros sobre dispersión de incrementos funcionan bastante bien, para una profundidad de historia dada. Tal vez tenga sentido utilizar filtros de entropía que estimen la regularidad (previsibilidad) de la serie actual. También podrías usar filtros de noticias, tendrías que descargarlos de algún sitio
Si hay otras suposiciones, se pueden incorporar y comprobar fácilmente en un par de líneas de código.Los filtros por dispersión incremental funcionan bien para una profundidad de historia dada. Puedes hacer noticias, tienes que descargarlas de algún sitio
Si hay otros supuestos, se pueden incorporar y probar fácilmente.Son precisamente los otros supuestos los que no resisten las críticas. Los incrementos deberían funcionar, pero habrá un mayor porcentaje de falsos positivos. Si al menos les pusiéramos un filtro temporal).
Con las noticias es difícil en términos de preparar los datos, clasificarlos y en general separar y entender cómo hacerlo.
Las demás hipótesis no resisten la crítica. Los incrementos deberían funcionar, pero habrá más falsos positivos. Si les ponemos un filtro de tiempo).
Con las noticias, es difícil en términos de preparar los datos, clasificarlos y, en general, separar y entender cómo hacerlo.
Las noticias son más difíciles, sí, por eso todavía no lo hago
Maxim, ¿tienes en cuenta el spread a la hora de hacer pruebas en tu código python? Digamos, si pones un modelo en mql5 bot, ¿mostrará el mismo o similar gráfico en MT5 tester? Solo me pregunto que expectativa en puntos de 5 dígitos tienen estos modelos. Según los gráficos que hay si coges el mejor primero, ahí 5 pips por 600 operaciones resulta 50 pips en cinco dígitos por 600 operaciones y eso 0.083 puntos de cinco dígitos por una operación. O tal vez he entendido algo mal ?
spread se tiene en cuenta en custom tester, luego los modelos se comprueban en MT5 tester (ver el 1er articulo de la serie).
Es decir, la lógica se transfiere fácilmente (relativamente) a MT5, casi de forma automática.
- 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
Artículo publicado Buscando patrones estacionales en el mercado de divisas con la ayuda del algoritmo CatBoost:
En el presente artículo, mostramos la posibilidad de crear modelos de aprendizaje automático con filtros temporales y también descubrimos la efectividad de este enfoque. Ahora, podremos descartar el factor humano, diciéndole simplemente al modelo: "Quiero que comercies a una hora determinada de un día concreto de la semana". Así, podremos delegar en el algoritmo la búsqueda de patrones.
En la función, podemos establecer una lista de horas que deben analizarse. Aquí se indican las 24 horas del día al completo. Para que el experimento resulte más puro, hemos desactivado la selección aleatoria, poniendo MIN y MAX (horizonte mínimo y máximo de una posición abierta) igual a 15. La variable "iterations" es responsable del número de reentrenamientos por cada hora. Aumentando este parámetro, podemos obtener estadísticas más fiables. Cuando el trabajo haya finalizado, la función mostrará el gráfico siguiente:
En el eje X se ubica el número ordinal de las horas. En el eje Y, se muestran las estimaciones R^2 para cada iteración (se han seleccionado 10 iteraciones, es decir, los reentrenamientos del modelo para cada hora). Podemos ver claramente que para las horas 4,5 y 6, todas las pasadas están más concentradas, lo cual ofrece más confianza como patrón localizado. Aquí, el principio de selección resulta bastante simple: cuanto más alto y concentrado sea el punto, mejor será el modelo. Por ejemplo, en el intervalo 9-15, el programa muestra una gran dispersión, y la calidad promedio de los modelos se reduce al nivel 0.6. Tras elegir las horas que nos interesan, podemos volver a entrenar el modelo y comprobar sus resultados en el simulador personalizado.
Autor: Maxim Dmitrievsky