Discusión sobre el artículo "Ingeniería de características con Python y MQL5 (Parte IV): Reconocimiento de patrones de velas japonesas mediante regresión con UMAP"
Me gustaría ver el gran resultado que ha dado este enfoque.
Gracias , esta es una aplicación realmente interesante. Un par de cosas que pueden ser de ayuda error módulo 'umap' no tiene atributo 'UMAP' necesita umap-learninstalled , usted puede hacer esto con una línea!pip install umap-learn. si obtiene NameError: nombre 'FloatTensorType' no está definido es necesario instalar o actualizar onnixxmltools a través de !pip install onnxmltools. Mis datos resultaron muy diferentes de los datos que se muestran aquí, estaría interesado en cómo todo el mundo se va con el código
Oluwatobiloba Yusuf Bello reducción dimensional
Tienes razón, es precisamente reducción de dimensionalidad, por eso lo comparé con PCA 🤜🏾🔥🤛🏾UMAP nos ofrece más parámetros de ajuste que las técnicas tradicionales de reducción de dimensionalidad.
linfo2 #:
Gracias , esta es una aplicación realmente interesante. Un par de cosas que pueden ser de ayuda error módulo 'umap' no tiene atributo 'UMAP' necesita umap-learninstalled , usted puede hacer esto con una línea!pip install umap-learn. si obtiene NameError: nombre 'FloatTensorType' no está definido es necesario instalar o actualizar onnixxmltools a través de !pip install onnxmltools. Mis datos resultaron muy diferentes de los datos que se muestran aquí, estaría interesado en cómo todo el mundo se va con el código
Hola Niel.Gracias , esta es una aplicación realmente interesante. Un par de cosas que pueden ser de ayuda error módulo 'umap' no tiene atributo 'UMAP' necesita umap-learninstalled , usted puede hacer esto con una línea!pip install umap-learn. si obtiene NameError: nombre 'FloatTensorType' no está definido es necesario instalar o actualizar onnixxmltools a través de !pip install onnxmltools. Mis datos resultaron muy diferentes de los datos que se muestran aquí, estaría interesado en cómo todo el mundo se va con el código
Gracias por compartir estas soluciones a los problemas más comunes.
También has planteado un punto importante. El mismo símbolo puede ser más fácil de modelar en un corredor y más difícil de modelar en un corredor diferente.
Esto se debe en parte a las diferencias en la alimentación de datos que tiene cada broker.
Algunos corredores recopilan ticks en tiempo real con una latencia mínima, otros recopilan actualizaciones de precios cada minuto, algunos sólo recopilan ticks si los niveles de precios han cambiado y otros corredores extrapolan los niveles de precios periódicamente.
En resumen, la dificultad de pronosticar el EURUSD depende del corredor que elija.
Cada broker ofrece una tajada diferente, del mismo mercado.
Quiero son EA para MT5 estoy usando exness corredor
Khai Cao XAUUSD?
Sí
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
Artículo publicado Ingeniería de características con Python y MQL5 (Parte IV): Reconocimiento de patrones de velas japonesas mediante regresión con UMAP:
Los patrones de velas japonesas son ampliamente utilizados en muchas estrategias y estilos de negociación diferentes por la mayoría de los traders algorítmicos de nuestra comunidad. Sin embargo, nuestra comprensión de estos patrones se limita a las velas japonesas que hemos descubierto, cuando en realidad puede haber muchos otros patrones de velas japonesas rentables que simplemente aún desconocemos. Debido a la gran cantidad de información que abarca la mayoría de los mercados modernos, resulta muy difícil para los operadores tener la certeza de que siempre están utilizando los patrones de velas japonesas más fiables disponibles en el mercado elegido.
Para paliar este problema, propondremos una solución que potencialmente permita a nuestro modelo identificar nuevos patrones de velas japonesas que desconocíamos. El enfoque que proponemos se parece a un juego infantil con el que la mayoría de nosotros deberíamos estar familiarizados. El juego recibe diferentes nombres. Sin embargo, la premisa subyacente es la misma. El juego reta a los jugadores a describir un sustantivo utilizando adjetivos que no contengan dicho sustantivo. Por ejemplo, si el sustantivo dado fuera un plátano, el jugador que dirige el juego daría pistas a sus amigos que describan mejor el plátano, como "amarillo y curvado". Esto debería resultar intuitivo.
Este juego infantil es lógicamente idéntico a las tareas que le pediremos a nuestro modelo que realice para que podamos descubrir nuevos patrones de velas japonesas que de otro modo habrían permanecido ocultos debido a la gran cantidad de dimensiones que suelen tener nuestros conjuntos de datos en la actualidad. De forma análoga al juego que acabamos de describir, en el que se le pide al jugador que describa un plátano en 3 palabras o menos, proporcionaremos a nuestro modelo datos de mercado con 10 columnas que describen la vela actual y, a continuación, le pediremos que describa los datos de mercado originales en 8 columnas (embeddings) o menos. A este proceso lo conocemos como reducción de dimensionalidad.
Existen muchas técnicas bien conocidas de reducción de dimensionalidad con las que el lector probablemente ya esté familiarizado, como el Análisis de Componentes Principales (Principal Components Analysis, PCA). Estas técnicas son útiles porque guían a nuestro modelo para que se centre en el aspecto más significativo de los datos transformados. Hoy emplearemos una técnica conocida como Aproximación y Proyección de Variedades Uniformes (Uniform Manifold Approximation and Projection, UMAP). Se trata de un algoritmo reciente y, como el lector podrá comprobar en breve, nos puede resultar útil para poner de manifiesto, de una forma novedosa, las relaciones no lineales presentes en nuestros datos de mercado.
Autor: Gamuchirai Zororo Ndawana