Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 549
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Aquí hay otro ejemplo de prophet pero para R (python nunca me funcionó)
creo que si transformas los datos en lugar de las cotizaciones, predecirá mejor que arima
y comparar con arima por interés
https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
Aquí hay otro gran trabajo de investigación:
https://msperlin.github.io/pafdR/research-scripts.html
Aquí hay otro ejemplo de prophet pero para R (python nunca me funcionó)
creo que si transformas los datos en lugar de las cotizaciones, predecirá mejor que arima
y comparar con arima por interés
https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
Debería probarse en el arco. A veces hay series temporales sin efecto arco, pero si está presente, entonces necesita garch, y es necesario coger uno determinado (hay muchos) y entonces es muy útil para modelar la distribución.
A continuación, dos extractos de mi artículo que estoy terminando de redactar. No hay necesidad de perder el tiempo reinventando la bicicleta. No lo harás mejor que los profesionales. Python y R ya están maravillosamente integrados. Sólo tienes que usar.
"Uso de la biblioteca TensorFlow".
El floreciente campo de las redes neuronales profundas se ha enriquecido recientemente con una serie de bibliotecas de código abierto. Los ampliamente publicitadosTensorFlow(Google),CNTK(Microsoft),Apache MXNet y muchos otros. Debido a que todos estos y otros importantes desarrolladores de software forman parte del R Consortium, se proporciona una API para R para todas estas bibliotecas.
Todas las bibliotecas anteriores son de muy bajo nivel. Para los principiantes en esta área, son difíciles de digerir. Con esto en mente, el equipo de Rstudio desarrolló el paquetekeras para R.
Keras es una API de redes neuronales de alto nivel, diseñada con el objetivo de poder experimentar rápidamente. La capacidad de pasar de la idea al resultado con el menor retraso posible es la clave para hacer una buena investigación. Keras tiene las siguientes características clave:
Sólo tienes que instalar y descargar el paquete R de keras y luego ejecutar la función keras :: install_keras (), que instala TensorFlow, Python y cualquier otra cosa que necesites, incluyendo los entornosVirtualenv oConda. Simplemente funciona. Para obtener instrucciones sobre la instalación de Keras y TensorFLow en las GPU, consulte.Aquí. Veael artículo para más detalles".
"El paquete tfruns es para experimentar con TensorFlow. El paquetetfruns proporciona un conjunto de herramientas para controlar el entrenamiento y los experimentos de TensorFlow desde R:
TensorBoard proporciona la mejor visualización del proceso y los resultados del entrenamiento de la DNN.
Y, por supuesto, los conocedores del aprendizaje profundo pueden trabajar directamente con la biblioteca TensorFlow de bajo nivel utilizando el paquete tensorflow.
Todos estos paquetes se basan en la interfaz básica-reticulada- de R para los módulos, funciones y clases de Python. Cuando se llaman en Python, los tipos de datos de R se convierten automáticamente en sus tipos equivalentes de Python. Cuando los valores se devuelven de Python a R, se convierten de nuevo a tipos de R. Digno de un estudio cuidadoso.
Todos estos paquetes están bien documentados, lo que no es de extrañar dada la clase de desarrolladores, se proporcionan con toneladas de ejemplos y están en constante evolución. Así, tenemos una oportunidad única de utilizar en expertos e indicadores los modelos de aprendizaje profundo más avanzados y punteros (DNN, RNN, CNN, LSTM, VAE, etc.), el aprendizaje por refuerzo (RL) y otros muchos desarrollos de Python en el ámbito del aprendizaje automático, si se tienen los conocimientos y la experiencia suficientes".
Buena suerte
al mismo tiempo, la complejidad de las estrategias y la cantidad de trabajo se convierte en demasiado para una persona que no se dedica profesionalmente al satanismo de citas :) aunque esto puede ser sólo a primera vista
Casi he terminado de integrar Python y MT. Tuve que escribir una DLL adicional. Quedan algunas cosas pequeñas. Terminar mqh y escribir el doc. La biblioteca no tiene muchas funciones, pero es suficiente. Es posible cargar y ejecutar un script de Python. Y también llamar a cualquier función desde ella. Funcionará con listas, pero sólo unidimensionales y homogéneas. Es decir, la matriz MQL se convierte en una lista y viceversa.
Pero el tutorial sobre R es bueno... desde lo básico y los modelos lineales hasta Garch y el profeta de Facebook...(no en vano subo aquí prophet, ya que despierta interés en ciertos círculos y es mega fácil de usar) casi lo mismo que para python, pero con más detalle, del profesor de R
en general, es lógico, por supuesto, pasar de la econometría a las redes neuronales, y no al revés, es decir, estudiar lo que ya hay (si no se ha estudiado en la universidad), que tendría un sentido para la reflexión, y luego hundirse en las redes
Y en general, ten en cuenta que las redes neuronales en econometría se mantienen al margen y no son el tema principal (todavía)
https://msperlin.github.io/pafdR/
En general, es lógico, por supuesto, pasar de la econometría a las redes neuronales, y no a la inversa, es decir, estudiar algo que ya existe (si no lo has estudiado en la universidad), para tener algo en lo que pensar, y luego meterse en redes
Y en general, ten en cuenta que las redes neuronales en econometría se mantienen al margen y no son el tema principal (todavía)
https://msperlin.github.io/pafdR/
Hace unos años me interesé por Matlab y en contra de mis ideas sobre las herramientas de la econometría sólo había modelos GARCH en la caja de herramientas bajo el nombre de "Econometría".
Terminó haciendo ME. Lo que más me sorprendió fueron las escasas publicaciones sobre la aplicación del MO a los mercados financieros.
Recientemente, he vuelto a hablar de GARCH y me ha sorprendido la abundancia de publicaciones sobre la aplicación de GARCH en los mercados financieros: bolsas, índices, futuros, pares de divisas. Es simplemente una explosión.
¿Así que tal vez Matlab tenga razón? ¿Quizás todos los instrumentos de la OI, incluida la NS, son herramientas de terceros para los mercados financieros?
¿Así que tal vez Matlab tenga razón? ¿Quizá todas las herramientas de la OI, incluida la NS, son herramientas de terceros para los mercados financieros?
Pues sí, no son modelos econométricos ya hechos, sino un conjunto de herramientas universales para todos los ámbitos.
La econometría no paramétrica es sólo IR y lógica difusa, pero no he visto algunas cosas claras, tal vez porque algunos enfoques comunes no han sido elaborados. No sé cómo hacerlo, pero he visto algunos enfoques generales).