Discusión sobre el artículo "Creación de una estrategia de retorno a la media basada en el aprendizaje automático" - página 7

Nuevo comentario
 
Maxim Dmitrievsky #:

Los que hayan leído el artículo encontrarán un bonito extra al final: un gráfico del terminal, que muestra la reducción.

No es así. La prueba en el terminal se hace con SL y TP, aunque se afirma que el entrenamiento se hizo sin ellos. ¿Por qué no se muestra el resultado después del entrenamiento y en idénticas condiciones (sin SL y TP)? - porque se afirma que "(1)Los ajustes de parada no afectan a la capacidad de generalización de los modelos".

No hace falta que respondas - no se te da bien responder en sustancia.

[Eliminado]  
Evgeni Gavrilovi #:

¿Tienes alguna idea sobre cómo mejorar el TC? Compartir)

En la forma actual ni hablar, sólo pasando por rasgos/patrones/configuraciones.

Es posible conseguir muy buenos modelos.
[Eliminado]  
Andrey Dik #:

No tienes que contestar

Gracias a Dios.

 
Maxim Dmitrievsky #:

En la forma actual no hay manera, sólo yendo a través de rasgos/particiones.

Esta biblioteca tiene todos los indicadores básicos, que se calculan en una función. Usted puede encontrar útil en el futuro.

https://github.com/bukosabino/ta

df = add_all_ta_features(df, open="Abierto", high="Alto", low="Bajo", close="Cierre", volume="Volumen_BTC")

[Eliminado]  
Evgeni Gavrilovi #:

Esta biblioteca contiene todos los indicadores básicos que se calculan en una función. Puede ser útil para usted en el futuro.

https://github.com/bukosabino/ta

df = add_all_ta_features(df, open="Abierto", high="Alto", low="Bajo", close="Cierre", volume="Volumen_BTC")

Gracias, lo he guardado. Hay otras modificaciones inesperadas del algoritmo, las postearé más tarde (es mucho escribir). Las modificaciones son tales que podemos decir que será un algoritmo diferente.

[Eliminado]  

Si no puedes ejecutar código Python enemigo (el ejemplo de Dick, es un estado normal de conciencia para él), o no lo haces por razones religiosas (escribes exclusivamente en SI, como te legaron tus padres):

  • El modelo es entrenado y seleccionado por cualquier sl/tp, digamos 500/500:

hyper_params = {
    'symbol': 'EURGBP_H1',
    'model_number': 0,
    'markup': 0.00010,
    'stop_loss':  0.00500,
    'take_profit': 0.00500,
    'periods': [i for i in range(5, 300, 30)],
    'periods_meta': [100],
    'backward': datetime(2000, 1, 1),
    'forward': datetime(2021, 1, 1),
    'full forward': datetime(2026, 1, 1),
    'n_clusters': 10,
    'rolling': 200,
}

  • Cambia ahí en hiperparámetros a, por ejemplo, 5000/5000 (nunca funciona):

  • Optimiza o selecciona manualmente los que te gusten, por ejemplo 2000/200, como en el artículo

  • Las formas de las curvas coinciden con la precisión hasta las correcciones de los topes. Los topes pueden optimizarse en el terminal sin temor a una sobreoptimización.

[Eliminado]  
Obviamente, la estrategia no cambia, sólo cambian los stops. La selección de modelos a través de stops predefinidos le permite encontrar rápidamente un modelo para su estilo de negociación, que mejor se adapte a sus criterios de negociación, conocidos sólo por usted.

Por cierto, bastaba con coger el bot ya compilado del artículo y comprobarlo. Esperaba preguntas más serias de los "veteranos" del foro, supongo que sobreestimé las expectativas.
 
Maxim Dmitrievsky #:
Esperaba preguntas más serias

¿Ha realizado pruebas multiclasificación en el pasado? ¿Hay alguna ventaja?

https://catboost.ai/docs/en/concepts/loss-functions-multilabel-classification

[Eliminado]  
Evgeni Gavrilovi #:

¿Ha probado la multiclasificación en el pasado? ¿Hay alguna ventaja?

https://catboost.ai/docs/en/concepts/loss-functions-multilabel-classification

Si sólo para tareas muy específicas de trading, por lo demás no hay ventajas. Además, que yo recuerde, hay algunos problemas al exportar a ONNX. Si no me confundo.

ZЫ No creo que ahora haya problemas con la exportación.
 

Imho por supuesto, pero el uso de Savitsky_Golay no es muy diferente de la utilización de muve. El filtro SG es el punto medio de una regresión polinómica en una ventana deslizante dada, con un grado de polinomio especificado. Para el grado 1, coincide perfectamente con el muv del periodo correspondiente.

Para identificar el retorno a la media, tiene más sentido, en mi opinión, utilizar el filtrado de amplitud - renko, renji, zigzags. Creo que los rangos son los mejores - la diferencia entre Hg y Lw es una constante. Bueno, o un tamaño constante ZZ, que es básicamente lo mismo.

12345678910
Nuevo comentario