Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1074
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
La primera línea de selección es totalmente correcta ahora. En la segunda línea debemos combinar todas las mejores variables entre sí en un bucle, y aprender el RDF con cada combinación de características. También aquí podemos aplicar diferentes transformaciones polinómicas
así es como yo lo veo
Me tomó mucho tiempo entender tu primer código para implementar esto:))))...así que ahora por favor no me des otro código:))
Siempre que quiera transformar una característica como el precio de cierre...por favor asegúrese de recogerlo en una variable ya sea de los datos de los nuevos precios o de los antiguos datos entrenados de la matriz...eso debe hacerlo:)))
Entonces, sólo tiene que llamar a la función"CalculateNeuron(ker,degree)" con la variable y, a continuación, cuando se obtiene la nueva característica de actualización en Matrix o lo que quieras hacer:))
Quiero decir que toda la tarea de transformación de características utilizando GMDH se hará dentro de la función que entiendo correctamente... Ahora, cómo se alimentan los valores y recuperar los valores que es su elección... )))))
Bueno, sólo dame más tiempo... Todavía no entiendo nada, pero que todo vaya bien :)
demasiada combinatoria aquí
pero en la salida todo debe ser claro - sólo un array n-dimensional con las características y fórmulas seleccionadasBueno, si ya entendiste tu código anterior(que hasta ahora entendí un poco :)).. entonces debería ser sólo 2 minutos de trabajo para usted :))... porque yo no estoy haciendo nada aquí ... sólo la copia de su código anterior y la sustitución por GMDH :))
Pero si quieres hacerlo de otra manera... puedes tomarte tu tiempo:)))
Por supuesto, no puedo garantizar acerca de mi implementación de GMDH:))... y no podemos saber nada hasta que corramos el EA final en el modo de comercio LIVE:)))... incluso los resultados de backtesting no parecen ser fiables...
Así que usted puede intentar su propia manera o puede simplemente hacerme saber en caso de que usted necesita el código para "(CalculateNeuron(ker,degree)" para implementar
Si funciona, puedo incluso ampliar los componentes base a 20 o 30... y puede ser lento durante el entrenamiento y puede ser lento en el comercio también debido a múltiples bucles for ... pero ya que sólo comprobará un valor de grado a la vez y por lo tanto, podemos esperar una velocidad media ...
Para ti, tal vez lo entiendas mejor
Ok, lo intentaré...pero haré 100 preguntas diferentes sobre este código también y deberías estar preparado para responder:))...
Porque debes entender que es completamente tu enfoque y además, estás tratando de codificar de una manera diferente que no tiene ningún vínculo con tu código anterior y por lo tanto, no tengo manera de entenderlo hasta que entienda exactamente lo que estás tratando de hacer en esta versión... Así que tomará un poco más de tiempo para entender y luego, voy a tratar de crear un puente a GMDH...
utilizamos la selección genética para el gdmh
para ello, primero debemos aprender el RDF con cada característica por separado, ¿lo entiendes?
¿Qué quiere decir la selección genética de GDMH?
En mi conocimiento de GMDH, para cada conjunto de características o entradas, dará una salida como una suma de todas las entradas rompiendo en pedazos de características. Así que si usted da una característica obtendrá una salida e incluso si usted da 100 características todavía obtendrá una salida sólo como la suma de piezas rotas de todas las características anteriores y eso es todo es GMDH
1.Si se da una sola característica como entrada se dará una salida=característica1*peso1
o
2.Si le das una característica y todas las características anteriores (nueva característica o características entrenadas de RDF), entonces sólo transformará la característica actual a la nueva salida=función1*w1+función2*w2+función3*w3+....m componentes de las características base
Así que aquí si quieres transformar una nueva característica, entonces crea un array para almacenar las características entrenadas de RDF y luego, pásalo a la función "CalculateNeuron(ker,degree)". pero necesitas pasar un elemento más del array a esta función.
¿puede proporcionar el esquema de su vista gmdh? paso a paso
Dame un poco de tiempo...te proporcionaré el código fuente completo tanto de la librería GMDH como del EA implementado usando tu código anterior...ahora mismo lo estoy buscando:)))
He estado hurgando en todos los niveles con "MO" (esas MOs buscan niveles de rebote anticipados), a veces las señales no salen mal
Y a veces el sistema se vuelve loco en una tendencia
===================
No sé la razón, cómo filtrarlo, ¿alguien lo ha hecho o soy el único en el campo?
no necesitamos resumir los predictores con '+', porque no utilizamos el solucionador linerar. En lugar de ello, simplemente añadimos nuevas entradas, paso a paso, aumentando los números de las características y sus combinaciones
Getetic significa que sólo trabajamos con los mejores predictores en cada paso de la transformación, no con todos los predictores. Así que seleccionamos sólo n mejores en cada paso
No hay problema entonces, sólo tienes que crear un array dinámico y en cada paso pasar esos elementos del array como entradas a la función "Neuron function()", pero necesitas añadir una entrada más a esta función.
Estoy utilizando las entradas de la "Calsignal()" donde se copian los precios de cierre...Así que en lugar de eso sólo tienes que añadir los elementos de la matriz en cada paso de la finalización de la formación RDF y luego, liberar la matriz.¿Lo has conseguido?
Pegaré los códigos en mi próximo post. Por favor, copie y luego, borre el post.
GMDH EA:
no necesitamos resumir los predictores con '+', porque no utilizamos el solucionador linerar. En lugar de ello, simplemente añadimos nuevas entradas, paso a paso, aumentando los números de las características y sus combinaciones
Getetic significa que sólo trabajamos con los mejores predictores en cada paso de la transformación, no con todos los predictores. Así que seleccionamos sólo n mejores en cada paso
Por favor, copie el código y hágamelo saber... borraré el código: