Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 550
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
Pues sí, no se trata de modelos econométricos ya hechos, sino simplemente de un conjunto de herramientas universales para todos los ámbitos.
La econometría no paramétrica es sólo IR y lógica difusa, pero aún no he visto cosas coherentes, quizá porque no se han elaborado enfoques generales. No sé cómo funciona :)
Tengo miedo de lo que pueda pasar, Maxim, pero en mi opinión - las redes neuronales no son aplicables de la manera que he leído en mis artículos. Estás trabajando con el precio en sí, aunque normalizándolo, mientras que deberías trabajar con la densidad de probabilidad del precio. Aquí radica la inextinguible contradicción con el principio de incertidumbre de Heisenberg. Pero, no voy a interferir - sigue siendo interesante.
No te metas, escribe lo que quieras: es un foro público. Y a sus distribuciones, también, llegaremos, no todos a la vez, mientras haya una serie de ideas "indescriptibles" :D
Me metí en el baile sólo porque tenía que conseguir la importancia de las características para LR y RF a través de Python o R, luego me dejé llevar y empecé a explorar más
Tengo un bot en NS que tengo que alimentar periódicamente con "buenas características" en el automatismo, teniendo en cuenta el cambio de mercado, pero por lo demás funciona bien...
No te metas, escribe lo que quieras: es un foro público. Y a sus distribuciones, también, llegaremos, no todos a la vez, mientras haya una serie de ideas "indescriptibles" :D
Me metí en el baile sólo porque tenía que conseguir la importancia de las características para LR y RF a través de Python o R, luego me dejé llevar y empecé a explorar más
Si tengo un robot en NS, debería alimentarlo periódicamente con "buenas señales" en el automatismo, teniendo en cuenta los cambios en el mercado, pero por lo demás funciona bien...
Maxim, ¿qué pasa con tu Asesor Experto? ¿Dónde se pueden encontrar las pruebas?
https://github.com/RandomKori/Py36MT5 Aquí están las fuentes de la biblioteca de Python para MT5. El único problema es con las matrices. Pasar un array o recibirlo no funciona correctamente. He depurado el código DLL en Visual Studio. Todo funciona allí. La cuestión es que puede ser un error terminal. No he escrito cómo trabajar con la biblioteca. No tiene sentido. Nadie lo necesita sin matrices. Aunque tal vez se haya estropeado en el archivo pythom.mqh Ayúdame a resolverlo. Será de utilidad para todos.
Las matrices reales funcionan como deberían. Las matrices largas no funcionan.
Reemplazó el largo en el int. Ahora todo funciona. Se puede utilizar la biblioteca. Sólo se escribirán comentarios sobre el uso.
Maxim, ¿qué pasa con tu EA? ¿Dónde puedo ver las pruebas, o está todo clasificado?
Cada vez lo hago mejor... Pero lentamente, debido a la complejidad del tema
Algunas observaciones/pensamientos sobre cómo construir un modelo para el mercado (desde la experiencia):
Para los clasificadores de redes neuronales: el equilibrio de clases es obligatorio, el número de ejemplos para 2 o más clases debe estar equilibrado. Si el modelo se entrena en un segmento de tendencia, se pueden reflejar las señales y añadir ejemplos contrarios. Al mismo tiempo, los signos no deben correlacionarse con el objetivo, que es claro.
Para los regresores de la red neuronal: al menos uno de los indicadores debe estarfuertemente correlacionado con el objetivo, especialmente cuando el modelo se entrena con los precios de salida. Si no lo hace, el regresor se perderá en un árbol y no podrá predecir correctamente el precio si la muestra contiene ejemplos repetidos o similares, pero con diferentes precios de salida. Para ello, además de otras características, se pueden alimentar incrementos normalizados con un retardo grande (más de 50). Cuanto mayor sea la muestra entrenada, mayor será el retardo necesario para excluir las variantes que se repiten. También es conveniente alimentar varias series de este tipo con incrementos desplazados entre sí, entonces cada caso individual será interpretado de forma casi inequívoca.
Para los bosques aleatorios como clasificadores: lo mismo que para NS.
Para los bosques aleatorios como regresores: casi inútil, lo mismo que para NS, pero es imposible dar precios a la salida (ya que los bosques no extrapolan), y si damos incrementos para estos fines, los bosques se mezclarán en 3 pinos, ya que habrá muchos ejemplos superpuestos.
Algunas observaciones/pensamientos sobre cómo construir un modelo para el mercado (desde la experiencia):
Para los clasificadores de redes neuronales: el equilibrio de clases es obligatorio, el número de ejemplos para 2 o más clases debe estar equilibrado. Si el modelo se entrena en un segmento de tendencia, se pueden reflejar las señales y añadir ejemplos contrarios. En este caso, las señales no deben correlacionarse con el objetivo, lo cual es comprensible.
Justo la opinión contraria. Tengo pruebas hasta trabajar en lo real. Una cosa que tengo clara es que construir una clasificación sobre los posos del café y los anillos de Saturno es imposible, NUNCA, es chamanismo. Los modelos fuera de la muestra dan más o menos el mismo resultado que en la muestra sólo si se limpia el conjunto de predictores de entrada de ruido y se dejan sólo los que son relevantes para la variable objetivo. Además, tengo un algoritmo para limpiar el ruido y los resultados del cálculo para los predictores restantes dan un error marginal con el que se hará la clasificación para este conjunto de predictores.
Es exactamente lo contrario. Tengo pruebas hasta para trabajar en el mundo real. Una cosa que tengo clara es que la clasificación basada en los posos del café y los anillos de Saturno no puede, NUNCA, ser chamánica. Los modelos fuera de muestra dan aproximadamente el mismo resultado que los de dentro de la muestra sólo si se limpia de ruido el conjunto de predictores de entrada y se dejan sólo los que son relevantes para la variable objetivo. Además, tengo un algoritmo para limpiar el ruido, y los resultados del cálculo para los predictores restantes dan el error marginal con el que se hará la clasificación para ese conjunto de predictores.
Esta cuestión no me resulta obvia si conseguimos un clasificador no lineal... ¿qué debe correlacionar allí con qué? ) Y si tenemos características categóricas, la regresión no funcionará en absoluto, pero sí la clasificación.
pero para la regresión se justifica