L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 468
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
Je l'ai vu tout le temps et c'est toujours la même chose, c'est toujours rapide.
Je dis toujours à mes clients qu'il n'y a pas de conseillers rapides, c'est un travail difficile :
1 vous devez formaliser votre TS et créer une spécification des besoins
2 le traduire en code compréhensible par la machine
3 vérifier les erreurs dans l'exécution de la logique
4 vérifier les erreurs d'exécution dans les transactions
5 apporter des modifications supplémentaires en fonction des erreurs de logique et d'exécution identifiées
6 pour le tester dans le testeur et sur les données réelles
7 pour compléter le conseiller expert avec les fonctions dont il a besoin pour fonctionner sur le compte réel.
etc.
La fonction du programmeur consiste uniquement (2,5) à traduire vos termes de référence dans le langage de la machine et, si vous trouvez des incohérences dans son travail par rapport à vos termes de référence, à corriger les erreurs, et à ce stade, le travail du programmeur est terminé ; votre conseiller expert fonctionne conformément à vos termes de référence.
Le reste, c'est à vous de le créer, de le vérifier et de l'améliorer (mise à niveau).
Meilleures salutations.
P.S. la création d'un EA rentable peut vous prendre jusqu'à six mois ou même plus, si vous en avez vraiment besoin.
Ce dont vous avez vraiment besoin, c'est d'un ouvreur et d'un fermeur fiables. Cela vous prendrait-il vraiment six mois pour le faire ? ? ???? Alors vous n'êtes pas de taille pour nous...
Dans la vraie vie, ce sera un n rouge...))))
Désolé, Professeur))))
Maintenant, c'est discutable... Trickster. Parce qu'aucune donnée n'est réellement fournie à l'entrée ici et que c'est essentiellement le travail des coefficients polynomiaux eux-mêmes...... Et je pense que la présence de données d'entrée ne fera qu'améliorer l'équité. Eh bien, c'est le cas.... IMHO !!!!
Ce dont vous avez vraiment besoin, c'est d'un ouvreur et d'un fermeur fiables. Cela vous prendrait-il vraiment six mois pour le faire ? ? ???? Alors vous ne nous convenez pas...
MySQL : Ce n'est pas à moi de construire un EA rentable, c'est à vous de faire les points 2 et 5.
Il écrit ces bêtises depuis 14 ans))))
Avec respect.
Idiots, tout est fait depuis longtemps, j'ai juste besoin d'un ouvreur fiable avec gestion des erreurs de serveur...... Je suis hilare.... :-)
Idiots, tout est fait depuis longtemps, j'ai juste besoin d'un ouvreur fiable avec gestion des erreurs de serveur...... Je suis hilare.... :-)
Meilleures salutations.
P.S. n'oubliez pas de spécifier un temps d'exécution de 2 heures, selon votre travail il ya pour 5 minutes, donc si le programmeur sera un pouce gauche à écrire et qui aura le temps.
Si vous comparez les prédictions de l'article et celles-ci, vous pouvez voir que les tendances prédites coïncident parfaitement dans les deux modèles, mais que dans l'article, le modèle est bien meilleur pour détecter les pics aigus. Et l'arima - avec des pics de prix, comme par hasard, et ces "malchances" provoqueront les plus gros drawdowns. De plus, dans les propriétés du modèle, vous pouvez voir que la saisonnalité n'est pas utilisée. Jusqu'à présent, l'article est gagnant :(
J'ai encore besoin de beaucoup d'intuition Arima pour fixer correctement les limites de recherche ar,i,ma des coefficients et faire en sorte que le modèle recherche les paramètres saisonniers.
Discuter de l'arima sans analyser les résidus sur ARCH est un exercice complètement vide. Il y a certaines séries qui ont un résidu stationnaire après une simulation arima. Mais discuter de l'erreur de prédiction en partant du principe qu'elle est stationnaire n'est pas sérieux. Ce résidu a de nombreuses facettes.
J'ai également fait un petit ajustement à l'exemple d'Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
La saisonnalité n'a pas fonctionné car la période de données était définie comme 1, ce qui a amené auto.arima à désactiver automatiquement la saisonnalité. J'ai défini la période dans le code à 48 (jour sur l'échelle de temps actuelle H12), comme dans l'article.
Il est également possible d'utiliser la fonction findfrequency() du package forecast pour déterminer la période automatiquement, pour ces données la fonction retourne 24.
Cela a mieux fonctionné de cette façon, le modèle atteint les pics de valeurs et prédit les augmentations de valeurs beaucoup mieux.
arima train r^2 : 0.516988
test arima r^2 : 0.5346457
arima test diff r^2 : 0.8407468
Précision de la différence de test d'arima : 0.8288288
Mais c'est loin d'être idéal, les prédictions de l'article sont bien plus précises. Il semble que la raison soit que les données ont plusieurs périodes (24, 48, 336 - une demi-journée, une journée, une semaine), mais même avec la saisonnalité, arima ne peut pas entrer dans trois périodes à la fois.
J'ai cherché s'il est possible d'enseigner R Arima avec plusieurs saisonnalités, il semble que ce ne soit pas le cas, donc il n'y a aucun moyen de faire de meilleures prédictions. Je comprends maintenant pourquoi l'article a tant de difficultés, avec chaque modèle, l'auteur essaie de saisir différentes périodes de fluctuations des valeurs.
OOO Et voici notre bien-aimé Trickster !!!! Et bien, tu as les mains pleines de poo ????. Voici une excuse pour les jeter autour.....
A propos de la question de savoir si l'optimiseur de Reshetova est recyclé ou non. Voici une capture d'écran que j'ai postée hier dans l'un des groupes forex...... Le bleu indique la période d'optimisation, le vert les contrats à terme. Mais il n'y a pas de possibilité de soumettre les données et il s'avère que depuis le début de l'année, cela a bien fonctionné..... Et vous dites reconversion, vous devez juste être capable de former....
Maintenant, qu'allez-vous dire à propos du surentraînement ? ? ???
Sur le marché, tout classificateur est réentraîné car le marché n'est pas stationnaire. Si nous voulons éviter le surentraînement, nous devons enseigner le NS pour toute l'histoire. Sinon, le cycle du marché changera toujours et le modèle sera erroné. C'est pourquoi la seule approche correcte est le surentraînement ou le réentraînement dans le processus de trading :) Nous ne croyons pas aux bobines, qui donnent régulièrement 1000% par mois sur un historique de 15 ans sans aucune intervention.
En général, je ne vois toujours pas la limite - ce que signifie surentraîné NS en forex. C'est quand il ne gagne pas sur un échantillon de test ? nah nah nah... non non non... il s'agit de non-stationnarité. Quant à la stratégie, il n'est pas nécessaire d'en faire quelque chose.
J'ai également fait un petit ajustement à l'exemple d'Arimahttps://www.mql5.com/ru/forum/86386/page467#comment_5649703.
La saisonnalité n'a pas fonctionné car la période de données était définie comme 1, ce qui a amené auto.arima à désactiver automatiquement la saisonnalité. J'ai défini la période dans le code à 48 (jour sur l'échelle de temps actuelle H12), comme dans l'article.
Vous pouvez également utiliser la fonction findfrequency() du package forecast pour déterminer la période automatiquement. Pour ces données, la fonction renvoie 24.
Cela s'est avéré plus efficace, car le modèle s'adapte aux fortes variations de valeurs et prédit beaucoup mieux les augmentations de valeurs.
arima train r^2 : 0.516988
test arima r^2 : 0.5346457
arima test diff r^2 : 0.8407468
Précision de la différence de test d'arima : 0.8288288
Mais c'est loin d'être idéal, les prédictions de l'article sont bien plus précises. Il semble que la raison soit que les données ont plusieurs périodes (24, 48, 336 - une demi-journée, une journée, une semaine), mais même avec la saisonnalité, arima ne peut pas entrer dans trois périodes à la fois.
J'ai cherché s'il est possible d'enseigner R Arima avec plusieurs saisonnalités, il semble que ce ne soit pas le cas, donc il n'y a aucun moyen de faire de meilleures prédictions. Maintenant je comprends pourquoi l'article a de telles difficultés, avec chaque modèle l'auteur essaie d'attraper différentes périodes d'oscillation des valeurs.
Pourriez-vous poster le rapport sur l'ajustement avec les paramètres ?