¿Qué alimentar a la entrada de la red neuronal? Tus ideas... - página 85
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
¿A cuánto asciende tu pensión? Hace poco fui a Gosuservices, y a fecha de hoy me han calculado 17 toneladas. Y todavía faltan 5 años, gracias a nuestro líder, ¡que nunca, nunca, nunca miente! Bueno, cuando duerme, desde luego no miente ))) Así que uno espera tener ventaja.
Hola, fumador está vivo, sí, esta nuestra, pensión ellos ahí tuercen como quieren, no aceptan ninguna confirmación ni siquiera con sellos, accidentalmente presencian sus conversaciones... consideran a su favor cada mella o escrito incorrecto en el libro de empleo o en la nómina, hay una burocracia tan sorda que es mejor ir directamente al juzgado, y si no hay deducciones a la pensión, no hablan nada.
¿Y a cuánto asciende tu pensión?
La gente está cobrando ahora la parte capitalizada de sus pensiones. Pero se ha ahorrado para el Estado, no para los ciudadanos. Durante 10 años el Estado utilizó ese dinero gratis.
mira de nuevo si se alimenta la diferencia de precios o incrementos - que será mejor que los totales o no?
Lo miraré yo mismo más tarde... (mientras que otros proyectos están en curso) en mi opinión, en este enfoque de los totales estará bien si está bien presentar.... )
en algún lugar en el foro poner un asesor en Mashka, que hizo que el chat GPT
lo más interesante es que el código analiza la МАшка tanto en la dirección de aumentar el número de barras y disminuirlo.
Por supuesto, no traté de aplicar esto en la práctica debido a repetidos fiascos al utilizar indicadores, pero creo que hay algo en él.
---
TC hizo una pregunta sobre el tema de la negociación en MN1
Creo que la idea de este tipo de trading debido al retraso decente de los indicadores acabará por reducirse al análisis de la situación económica más que al gráfico.
Hola, fumador vivo, si, esta es la nuestra, la pensión ellos ahí la tuercen como quieren, no aceptan ninguna confirmación ni con sellos, accidentalmente presenciamos sus conversaciones... consideran a su favor cada mella o escrito incorrecto en el libro de empleo o en la nómina, hay una burocracia tan sorda que es mejor ir directamente al juzgado, y si no hay retenciones a la pensión, no hablan nada.
Planteamiento del problema:
Hay una estrategia de negociación básica (TS). Da señales, operamos, obtenemos una curva de rendimiento.
.
Para cada señal que sabemos:
La cuestión: alimentamos la red neuronal con toda esta información. Esto le dará más contexto resultante. Por ejemplo, puede notar: "Una serie de operaciones en las que obtuvimos un pequeño beneficio, pero la volatilidad estaba cayendo - significa que el mercado está al alza, es mejor no operar".
¿Qué se puede extraer hipotéticamente de una secuencia de operaciones?No se alimenta ningún dato de mercado (precios, indicadores, volúmenes) a la entrada de la red neuronal. ¿Puede una red neuronal entrenada únicamente en la secuencia de estos resultados aprender a filtrar señales (saltarse sólo las que tienen más probabilidades de ser rentables) o incluso predecir la dirección de la siguiente operación? Es una pregunta abierta.
Efecto serie: Muchas estrategias tienden a "sobrecalentarse" o "enfriarse" tras una serie de éxitos/fracasos. Por ejemplo, después de tres operaciones perdedoras seguidas, la probabilidad de una rentable puede aumentar (debido a una vuelta a la media) o, por el contrario, caer (si la estrategia se rompió en el mercado actual).
Dependencia del tiempo: Si las operaciones se basan en el tiempo, se pueden detectar patrones intradiarios o intrasemanales: por ejemplo, una estrategia suele dar pérdidas los lunes y beneficios los miércoles. La red podrá aprenderlo.
Volatilidad de los resultados: el tamaño de las ganancias y las pérdidas también puede agruparse: a periodos de alta volatilidad (grandes movimientos) les siguen periodos de calma. La red puede aprender a predecir no sólo el signo, sino también la magnitud aproximada del resultado.
Patrones de comportamiento: si una estrategia contiene elementos sensibles al estado de la cuenta (por ejemplo, martingala), la secuencia de resultados contendrá información sobre ese estado.
Trampa de distribución de datos:
Tenemos que entrenar el modelo con el historial de transacciones sin filtrar de la estrategia subyacente. Si entrenamos la red con datos que ya han sido filtrados una vez, aparecerá el problema del sesgo de distribución tras el filtrado. Supongamos que hemos entrenado la red neuronal en todas las señales de la estrategia (incluidas las señales de pérdida). Tras el entrenamiento, empezamos a utilizarla en operaciones reales: ahora se rechazan algunas señales. Sólo se incluyen en la cartera las operaciones que el filtro no ha detectado. En consecuencia, el historial de resultados reales, que vemos en la entrada del filtro en el momento siguiente, no consta de todas las señales, sino sólo de las filtradas. La distribución de este historial "vivo" puede diferir de la muestra de entrenamiento. Por ejemplo, si el filtro es bueno para filtrar las pérdidas, habrá pocas operaciones perdedoras en el historial real, y la ventana de entrada para la previsión consistirá principalmente en beneficios. Un modelo entrenado en una mezcla de beneficios y pérdidas puede interpretar mal una ventana tan "sesgada".
Por lo tanto, para que el esquema sea correcto, tenemos que distinguir dos conceptos: "Cuenta real" y "Seguimiento virtual".
Breve esquema:
Modo en segundo plano (modo sombra): aunque la red neuronal ya esté filtrando operaciones, siempre debe estar ejecutándose una copia "sombra" de la estrategia básica.
Entrada de la red neuronal: Los resultados del Diario Virtual (datos en bruto de la TS subyacente), no de la cuenta real, se introducen en la entrada de la red neuronal.
Salida de la red neuronal: Observando el estado de la curva de rendimiento en bruto, la red neuronal decide: "Ahora la estrategia básica ha entrado en la banda de fracasos (o éxitos), así que saltamos (o volteamos) la operación a la cuenta real".
La cuestión: alimentamos la red neuronal con toda esta información. Esto le dará más contexto resultante. Por ejemplo, puede notar: "Una serie de operaciones en las que obtuvimos un pequeño beneficio, pero la volatilidad estaba cayendo - significa que el mercado está al alza, es mejor no operar".
No se alimenta ningún dato de mercado (precios, indicadores, volúmenes) a la entrada de la red neuronal. ¿Puede una red neuronal entrenada únicamente en la secuencia de estos resultados aprender a filtrar señales (saltarse sólo las que tienen más probabilidades de ser rentables) o incluso predecir la dirección de la siguiente operación?
Claro , pero todo esto es futuro. Será pura observación. Es necesario aprender sólo sobre lo que se conoce antes del momento de abrir una operación. En el comercio real - ¿de dónde obtener estos parámetros?
Estoy de acuerdo con todo lo escrito a continuación.
Claro - pero es todo del futuro. Es puro espionaje. Es necesario aprender sólo sobre lo que se conoce antes del momento de abrir una operación. En el comercio real - ¿de dónde vienen estos parámetros?
Estoy de acuerdo con todo lo escrito a continuación.
Digamos que operamos en línea con un modelo entrenado. La TS básica da una señal para entrar - recogemos las últimas estadísticas en esta TS básica (la última operación o varias operaciones - esta será la información para la red neuronal).
Además - nuestra red neuronal, digamos, se niega a abrir una operación - la omitimos. Pero para la TS básica guardamos el resultado de la operación actual (cuando se cierra). Y en la siguiente señal que utilizamos este resultado como el único o compuesto (de varias operaciones) de entrada para nuestra red neuronal.
Significa las últimas conocidas (últimas N operaciones cerradas en la estrategia básica).
Puede haber pocas. Por ejemplo, una ayer, una hace una semana, una hace dos semanas. Y estos parámetros describen indirectamente el gráfico de precios. Pero hace mucho tiempo.
Me temo que sin datos frescos del gráfico - será más difícil predecir algo.
He estado trabajando con la estrategia básica y su filtrado como usted describió durante mucho tiempo. El primero fue como este https://www.mql5.com/es/code/903 - una señal en cada barra, que filtramos.
Luego he añadido algo de mi propia.
Puede que no sean muchos. Por ejemplo, uno ayer, uno hace una semana, uno hace dos semanas. Y estos parámetros describen indirectamente el gráfico de precios. Pero hace mucho tiempo.
Me temo que sin datos frescos del gráfico - será más difícil predecir algo.
Pero, basado en la práctica de los comerciantes manuales que miran muy atrás en la historia, hay áreas de trabajo en el mismo, que puede o bien de alguna manera influir en el "próximo valor del precio" o dar alguna información adicional sobre el movimiento futuro.
En tal caso (paradigma, más bien) cualquier área de la carta tiene, si no directo poder predictivo, al menos un compuesto, siendo una parte de algún patrón general, se extendía en el tiempo, li