Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1342
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
Enhorabuena.
Terminal: Se ha añadido una API para solicitar datos del terminal MetaTrader 5 a través de aplicaciones que utilizanR.
Hemos preparado un paquete especial MetaTraderR. Contiene DLL para la interacción entre R y el terminal MetaTrader 5, documentación y archivos r auxiliares. El paquete está en proceso de registro en el repositorioCRAN y estará disponible para su descarga e instalación en un futuro próximo.
Esperemos a la secuela.
Buena suerte
O tal vez incluso condolencias, porque ahora es fácil comparar el trabajo con el mql nativo en big data y entender - qué mierda esta r...)
Esta es otra forma de representar el comportamiento de los modelos de la muestra, aquí por colores:
TP - clasificación correcta "1" - verde
FP - clasificación errónea "1" - rojo
FN - clasificación errónea "0" (en realidad falta "1") - azul
El tamaño de la pantalla es grande: es más interesante ver por clic.
Y el gif al pulsar las dos variantes cambiará para mayor claridad
se puede ver que mis modelos tienen muy poca caída en el mercado, ya que hay mucho azul - tenemos que buscar las razones de la inactividad. Tal vez debería buscar otras formas de detener el aprendizaje, no sólo por la precisión. Por supuesto, habría fijado tanto la exhaustividad como la precisión en algunos límites, pero por alguna razón desconocida esta opción de parar la educación no es proporcionada por los desarrolladores, lo cual es una pena.
Se salta debido a que las búsquedas exceden los rangos de valores
¿ha encontrado algún predictor interesante?
omisiones debidas a características que exceden los rangos de valores
¿ha encontrado algún predictor interesante?
Entonces, ¿crees que esos valores no se han encontrado nunca en la historia y por eso el modelo en inactividad forma lagunas, es decir, la muestra no es lo suficientemente completa para el entrenamiento?
Bueno, mis predicciones son todas interesantes, se han ido haciendo a lo largo de los años :) Lo que funciona mejor, no lo sé todavía, actualmente estoy trabajando en un script que me ayudará a entenderlo mejor, espero.
Enhorabuena.
Terminal: Se ha añadido una API para solicitar datos del terminal MetaTrader 5 a través de aplicaciones que utilizanel lenguaje R.
Hemos preparado un paquete especial MetaTraderR. Contiene DLL para la interacción entre R y el terminal MetaTrader 5, documentación y archivos r auxiliares. El paquete está en proceso de registro en el repositorioCRAN y estará disponible para su descarga e instalación en un futuro próximo.
Esperemos a la secuela.
Buena suerte
Muy interesante, esperaremos
Por lo que los árboles hacen ruido...
En el gráfico, en el eje Y está el número de la hoja (árbol binario), y en el eje X está la cadena de muestreo (cadena de prueba en este caso). Las gamas de colores de la leyenda -valores tomados en módulo- muestran la respuesta de la hoja. El modelo utiliza 7 árboles, es decir, un valor de cada hoja llegará a una línea, 7 en total, se suman y luego se aplica la función logística, por ejemplo la suma de 0 será igual a 0,5.
Del gráfico se puede concluir que algunas de las hojas no se activaron en el período de la muestra de prueba, es decir, que no se repitieron las situaciones de la muestra de entrenamiento y de la muestra de prueba; también se puede observar una gran concentración de hojas con baja respuesta (en rojo) que no afectan significativamente al resultado, lo que indica más bien ruido o desunión de condiciones lógicamente similares.
Gráfico del modelo en el mercado
El gráfico de la balanza de precisión
Se toma como ejemplo el modelo que contiene un pequeño número de hojas (árboles).
He intentado entrenar una red neuronal en Python. El paquete es scikit-learn, el NS en sí es sklearn.neural_network.MLPRegressor. Neuronas más de 100, capas ocultas -7, entradas -19, salida - 1. La tarea consiste en predecir un proceso aleatorio.
La tarea es artificial, realizada sobre un generador de ruido y para que este ruido pueda ser teóricamente predecible. Lo probé para unos cuantos recuentos por delante.
Resultado de la comparación de la previsión con la real para 5 mil puntos elegidos al azar:
X es la previsión, Y es el valor real. Todos están muy cerca de una línea recta de 45 grados. Es decir, la predicción es casi perfecta (en una muestra artificial).
El aprendizaje es muy rápido: 24 épocas. En el tiempo, unos 10 segundos.
Debo decir que me sorprendió mucho. Me esforcé por ocultar los datos. Me sorprende que lo haya encontrado. En general, cerca del misticismo).
Conclusiones: El NS sklearn.neural_network.MLPRegressor es bastante utilizable. Todavía no he probado el clasificador.
Ya he intentado algo con el mercado, sin resultados hasta ahora. No hay búsqueda, dice que no hay nada, aunque la tarea es de la misma clase que la generada artificialmente.
He intentado entrenar una red neuronal en Python. El paquete es scikit-learn, el NS en sí es sklearn.neural_network.MLPRegressor. Neuronas más de 100, capas ocultas -7, entradas -19, salida - 1. La tarea consiste en predecir un proceso aleatorio.
La tarea es artificial, realizada sobre un generador de ruido y para que este ruido pueda ser teóricamente predecible. Lo probé para unos cuantos recuentos por delante.
Resultado de la comparación de la previsión con la real para 5 mil puntos elegidos al azar:
X es la previsión, Y es el valor real. Todos están muy cerca de una línea recta de 45 grados. Es decir, la predicción es casi perfecta (en una muestra artificial).
El aprendizaje es muy rápido: 24 épocas. En el tiempo, unos 10 segundos.
Debo decir que me sorprendió mucho. Me esforcé por ocultar los datos. Me sorprende que lo haya encontrado. En general, cerca del misticismo).
Conclusiones: El NS sklearn.neural_network.MLPRegressor es bastante utilizable. Todavía no he probado el clasificador.
Ya he intentado algo con el mercado, sin resultados hasta ahora. No busca, dice que no hay nada, aunque la tarea es de la misma clase que la generada artificialmente.
Esta no es una tarea de la misma clase.
El mercado NO es un generador de ruido.Es una tarea que NO es de la misma clase.
El mercado NO es un generador de ruido.La cuestión es muy discutible). Da tu modelo, y si es posible condúcelo en NS, al mismo tiempo y comprueba si este tractor funciona).
La tarea consiste en predecir un proceso aleatorio.
Se trata de una tarea artificial, realizada sobre un generador de ruido, de modo que este ruido puede predecirse teóricamente. Lo probé para unos cuantos recuentos por delante.
El resultado es una comparación de la predicción con la real en 5.000 puntos seleccionados al azar:
Es decir, la predicción es casi perfecta (en la muestra artificial).
Por lo tanto, los datos no son aleatorios, ¿cómo explicarlos si no?
Es una cuestión discutible). Danos tu modelo, y si es posible conducirlo en NS, comprobaremos si este tractor funciona).
La cuestión no es en absoluto discutible. Y eso es exactamente lo que dice su NS, que funciona bastante bien en el generador de ruido, pero no funciona en la BP del mercado con su resultado"No busca, dice que no hay nada".