L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 434
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Au minimum, nous devons effectuer des transformations affines des graphiques, car les motifs ont des angles de pente différents (structures auto-affines),
c'est-à-dire compresser ou étirer le modèle par la hauteur.... ? - option intéressante. Mais je pense que la compression ne doit pas être supérieure à 30-50%, sinon vous pouvez essayer de chercher des modèles sur le temps volatile de la session américaine, par exemple, par des fluctuations aléatoires de nuit. Il y a à la fois des modèles différents et des acteurs différents.
Si nous prenons une compression étirée jusqu'à 30-50% dans le travail, l'augmentation du nombre de patrons trouvés ne sera probablement pas très grande, ce qui n'affectera probablement pas beaucoup la prévision et donc on peut la négliger... Cependant il faut la vérifier.
Et il n'est pas du tout clair comment implémenter cette compression dans le code MT sans utiliser des produits externes prêts à l'emploi...
recherche sur différents tf
Il me semble que même sur le M1 et le M5, les schémas sont déjà différents. Et il n'est pas correct de chercher les mêmes motifs sur eux. Les schémas peuvent être similaires, mais les raisons qui ont provoqué cette forme de diagramme seront différentes.
Je ne vois pas d'autres options pour comparer deux graphiques de prix. Quelles sont les autres options ?
Supposons qu'il existe deux tableaux de prix, chacun comportant 5 prix.
Le premier est a1,a2,a3,a4,a5.
le second est b1,b2,b3,b4,b5.
1) Le graphique des prix peut être détendu, c'est-à-dire qu'il peut être placé horizontalement à partir d'une disposition tournée. Cela peut être fait avec une régression linéaire - trouvez-la, et utilisez le tableau d'erreurs au lieu de la série de prix originale. Je ne sais pas si cette étape peut aider à la recherche de motifs, je n'ai pas étudié son effet en détail. Jusqu'à présent, je n'ai pas utilisé cette étape moi-même.
2) Il est discutable d'appeler une rangée de prix un modèle ; il doit y avoir une description mathématique de la forme formée par ces prix. Par exemple, nous pouvons trouver l'augmentation du prix sur chaque barre et utiliser ces augmentations comme une certaine description du modèle.
le premier motif est obtenu par la formule a5-a4, a4-a3, a3-a2, a2-a1
le second est b5-b4, b4-b3, b3-b2, b2-b1.
3) "similarité" des modèles - soit la corrélation (je ne l'ai pas vérifiée moi-même), soit la distance cartésienne par le théorème de Pythagore (je l'ai vérifiée, et elle a bien fonctionné) -
sqrt( ((a5-a4)-(b5-b4))^2 + ((a4-a3)-(b4-b3))^2 + ((a3-a2)-(b3-b2))^2 + ((a2-a1)-(b2-b1))^2 )
ou autre chose, je pense qu'il doit y avoir de meilleures options.
C'est-à-dire rétrécir ou étirer le motif sur height..... ? - option intéressante. Mais je pense que vous ne devez pas étirer le modèle de plus de 30 à 50 %, sinon vous risquez d'essayer de rechercher des modèles sur la période volatile de la session Amer., par exemple, par les fluctuations aléatoires de la nuit. Il y a à la fois des modèles différents et des acteurs différents.
Si nous prenons une compression étirée jusqu'à 30-50% dans le travail, l'augmentation du nombre de motifs trouvés ne sera probablement pas très grande, ce qui n'affectera probablement pas beaucoup la prévision et donc on peut la négliger... Cependant il faut la vérifier.
Et il n'est pas du tout clair comment implémenter cette compression dans le code MT sans utiliser des produits externes prêts à l'emploi...
Il me semble que même sur le M1 et le M5, les schémas sont déjà différents. Et il n'est pas correct de chercher les mêmes motifs sur eux. Les modèles peuvent être similaires, mais les raisons qui ont généré une telle forme des graphiques seront différentes.
Pour mieux comprendre, il est préférable d'étudier les propriétés des fractales. En particulier, comme je l'ai déjà écrit - c'est l'échelle et l'auto-affinité.
L'échelle, par définition - des modèles similaires se forment à des intervalles de temps différents. Nous pouvons prendre les cotations d'une minute et construire un tableau de TFs synthétiques avec un multiplicateur donné et utiliser ce tableau pour rechercher un modèle similaire au modèle actuel.
L'auto-affinité - les modèles se ressemblent, mais ne sont jamais exactement les mêmes. C'est le principal problème lors de la sélection de critères de "similarité", la corrélation n'est pas appropriée ici.
La différence se manifeste davantage dans la pente des motifs (angle de la pente de la ligne de régression) que dans leur contraction/étirement. Je construisais le LR en utilisant le modèle actuel, puis j'ai pris des citations d'autres parcelles et j'ai changé l'angle de pente du LR pour l'angle de pente du modèle actuel et, en conséquence, il a trouvé des modèles similaires plus souvent. Et lors de la création d'une prévision, la courbe de prévision a été transformée en tenant compte de la pente du LR de la tendance actuelle.
Suivant. L'auto-affinité (auto-similarité) des fractales présente une autre caractéristique intéressante : nous formons exactement le même motif, mais plus petit, à l'intérieur d'un grand motif. Algorithme de recherche - (par exemple) prenez les 500 dernières barres de l'échelle de temps d'une heure avec 10 barres d'avance et dans le testeur, nous parcourons des périodes de minutes ou de 5 minutes et recherchons des modèles, similaires au modèle d'une heure. Si nous le trouvons, nous projetons les 10 dernières barres de l'heure sur le modèle de 5 minutes - c'est la prévision. Faites cela aussi, en tenant compte des angles des regs. C'est comme ça que j'ai fait.
Je n'ai pas encore fait de validation croisée sur un groupe de motifs consécutifs, mais cela semble être un sujet intéressant.
Supposons que nous ayons deux tableaux de prix, avec 5 prix dans chaque tableau.
le premier est a1,a2,a3,a4,a5
le second est b1,b2,b3,b4,b5
1) Le graphique des prix peut être détendu, c'est-à-dire qu'il peut être placé horizontalement à partir d'une disposition tournée. Cela peut être fait avec une régression linéaire - trouvez-la, et utilisez le tableau d'erreurs au lieu de la série de prix originale. Je ne sais pas si cette étape peut aider à la recherche de motifs, je n'ai pas étudié son effet en détail. Je n'utilise pas encore cette étape moi-même.
2) Il est discutable d'appeler une rangée de prix un modèle ; il doit y avoir une description mathématique de la forme formée par ces prix. Par exemple, nous pouvons trouver l'augmentation du prix sur chaque barre et utiliser ces augmentations comme une certaine description du modèle.
le premier motif est obtenu par la formule a5-a4, a4-a3, a3-a2, a2-a1
la seconde est b5-b4, b4-b3, b3-b2, b2-b1.
3) "similarité" des modèles - soit la corrélation (je ne l'ai pas vérifiée moi-même), soit la distance cartésienne par le théorème de Pythagore (je l'ai vérifiée, et elle a bien fonctionné) -
sqrt( ((a5-a4)-(b5-b4))^2 + ((a4-a3)-(b4-b3))^2 + ((a3-a2)-(b3-b2))^2 + ((a2-a1)-(b2-b1))^2 )
ou autre chose, je pense qu'il doit y avoir de meilleures options.
J'ai remarqué une fonctionnalité intéressante : il est possible de rechercher des modèles non pas sur les graphiques mais sur l'indicateur RSI. Ce qui est intéressant, c'est que peu importe la manière dont on détend et tourne le graphique, le RSI basé sur celui-ci montrera presque la même chose, c'est-à-dire qu'il n'est pas nécessaire de tourner les graphiques d'un angle. Mais la sortie (prévision) devra encore être convertie pour tenir compte de la pente du LR. De plus, vous pouvez établir des corrélations croisées et autres sur les indicateurs résultants.
Maxim Dmitrievsky etDr. Trader
Vous semblez avoir passé beaucoup de temps à chercher des modèles sur l'histoire, comme l'indicateur que j'ai créé.
L'utilisez-vous encore ou êtes-vous passé aux réseaux neuronaux depuis que la recherche de modèles n'est plus prometteuse ? Ou bien les résultats de ces approches sont-ils les mêmes, et la seule différence est la vitesse ?
Maxim Dmitrievsky etDr. Trader
Vous semblez avoir passé beaucoup de temps à chercher des modèles sur l'histoire, comme l'indicateur que j'ai créé.
L'utilisez-vous encore ou êtes-vous passé aux réseaux neuronaux depuis que la recherche de modèles n'est plus prometteuse ? Ou bien l'efficacité de ces approches est-elle la même, et la seule différence est la vitesse ?
J'ai abandonné mon travail avec les motifs car il ne produisait pas le résultat escompté que je souhaitais, je reviendrai sur le sujet plus tard. Je reviendrai sur le sujet plus tard. Et il faut beaucoup de temps pour le découvrir et le faire, ce qui n'est pas évident tant qu'on ne l'a pas fait. Avant cela, mon ami et moi avions développé l'analyse fractale avec le fii de Weierstrass-Mandelbrot, mais là, nous utilisions aussi la corrélation, je ne trouvais des modèles normaux que parfois. Maintenant, si je suis capable d'utiliser des convolutions ou de penser à une nouvelle façon de rechercher des motifs, je reviendrai... en bref, je suis coincé avec la corrélation, elle ne me convient pas...
Si cela vous intéresse, sachez qu'il y a 100 ans, j'ai enregistré une vidéo d'introduction à l'analyse fractale. De mon point de vue, elle est directement liée à l'analyse des modèles.
Et sur quel principe les NS simples (MLP simples) font-ils une prédiction ?
Il me semble que sur la corrélation habituelle - parce que le poids des connexions entre les neurones croît avec le nombre de répétitions du signal le long de cette ligne lorsque la réponse des SN coïncide, si la ligne était à + ou à - elle reste autour de 0 - et c'est essentiellement une simple moyenne. Ensuite, en utilisant ces poids, nous trouvons la similarité de la combinaison de prédicteurs en entrée avec la moyenne de la période d'apprentissage.
Je n'ai pas encore abandonné, j'essaie différents algorithmes pour tirer plus de profit des modèles.
Par rapport à neuronka, cette approche me donne plus de possibilités, j'ai même écrit auparavant que j'essaie de prendre en compte l'influence du temps (par exemple en diminuant la similarité en fonction de la date à laquelle le motif similaire a été trouvé), plus différentes astuces. On ne peut pas faire ça en neuronique.
Mon neurone ne pourra jamais apprendre à négocier avec profit en utilisant uniquement les prix. Mais le modèle de patron l'a fait, donc le choix est évident :)
Mais vous pouvez utiliser la neuronique sur différents indicateurs. Mais peu importe qu'il s'agisse d'un neurone, d'une forêt ou même d'un modèle linéaire, tout fonctionnera si les indicateurs et la cible d'entraînement sont choisis correctement.
Par exemple, si vous traitez des modèles, vous devez consacrer beaucoup de temps à la création d'une méthode d'évaluation de la "similarité" des modèles et vous ne trouverez pas beaucoup d'informations utiles sur le sujet, vous devez beaucoup expérimenter.
Et si vous traitez des indicateurs - beaucoup de temps sera nécessaire pour la sélection des indicateurs et pour la formation ; le choix et la formation du modèle (neurone, forêt, boosting) ne prendront pas beaucoup de temps.
J'ai abandonné l'idée de travailler avec des motifs parce que cela ne donnait pas le résultat escompté que je voulais, je reviendrai sur le sujet plus tard. Je reviendrai sur le sujet plus tard. Et c'est beaucoup de choses à penser et à faire, qui prennent du temps et qui ne sont pas évidentes jusqu'à ce qu'on les fasse. Avant cela, mon ami et moi avions développé l'analyse fractale avec le fii de Weierstrass-Mandelbrot, mais là, nous utilisions aussi la corrélation, je ne trouvais des modèles normaux que parfois. Maintenant, si je parviens à utiliser la convolution ou à inventer une nouvelle méthode de recherche de motifs, je reviendrai... en bref, je suis coincé avec la corrélation, ce n'est pas suffisant.
la seule option est de demander l'aide du palefrenier) il m'apprendra comment un vrai homme doit commercer.... ce ne sont pas les modèles et la science qui sont importants, mais le courage et la force... et il faut une vraie barbe tchétchène... alors le marché ne résistera pas à un guerrier inflexible et plein de principes.....
règles de négociation de style hutch..........