L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 550
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
Eh bien, oui, il ne s'agit pas de modèles économétriques tout faits, mais simplement d'un ensemble d'outils universels pour tous les domaines.
L'économétrie non paramétrique est une question de RI et de logique floue, mais je n'ai pas encore vu de choses cohérentes, peut-être parce qu'aucune approche générale n'a été élaborée. Je ne sais pas comment ça marche :)
J'ai peur de ce qui peut arriver, Maxim, mais à mon avis - les réseaux neuronaux ne sont pas applicables de la manière dont je l'ai lu dans mes articles. Vous travaillez avec le prix lui-même, tout en le normalisant, alors que vous devriez travailler avec la densité de probabilité du prix. C'est là que réside l'inextinguible contradiction avec le principe d'incertitude d'Heisenberg. Mais je ne vais pas m'en mêler - c'est quand même intéressant.
Vous n'intervenez pas, écrivez ce que vous voulez - c'est un forum public. Et à vos distributions, aussi, nous obtiendrons, pas toutes en même temps, tant qu'il y aura un certain nombre d'idées "indescriptibles" :D
Je suis entré dans la danse uniquement parce que je devais comprendre l'importance des fonctionnalités de LR et RF à travers Python ou R, puis je me suis laissé emporter et j'ai commencé à explorer plus avant
J'ai un bot en NS que je dois alimenter périodiquement avec des "bonnes fonctionnalités" sur les automates, en tenant compte de l'évolution du marché, mais sinon, il fonctionne bien...
Vous n'intervenez pas, écrivez ce que vous voulez - c'est un forum public. Et à vos distributions, aussi, nous y arriverons, pas toutes en même temps, tant qu'il y aura un certain nombre d'idées "indescriptibles" :D
Je suis entré dans la danse uniquement parce que je devais comprendre l'importance des fonctionnalités de LR et RF à travers Python ou R, puis je me suis laissé emporter et j'ai commencé à explorer plus avant
Si j'ai un robot en NS, je devrais l'alimenter périodiquement avec des "bons signes" sur l'automatisme, en tenant compte de l'évolution du marché, mais sinon ça marche bien....
Maxim, qu'est-ce qui se passe avec ton conseiller expert ? Où peut-on trouver les tests ?
https://github.com/RandomKori/Py36MT5 Voici les sources de la bibliothèque Python pour MT5. Le seul problème est celui des tableaux. Passer un tableau ou le recevoir ne fonctionne pas correctement. J'ai débogué le code DLL dans Visual Studio. Tout y fonctionne. La question est de savoir s'il s'agit d'un bug terminal. Je n'ai pas écrit comment travailler avec la bibliothèque. Il n'y a aucun sens à cela. Personne n'en a besoin sans les tableaux. Bien qu'il y ait peut-être un problème dans le fichier pythom.mqh, aidez-moi à le résoudre. Il sera utile à tous.
Les tableaux réels fonctionnent comme ils le devraient. Les tableaux longs ne fonctionnent pas.
J'ai remplacé la longue sur l'int. Tout fonctionne maintenant. La bibliothèque peut être utilisée. Seuls les commentaires sur l'utilisation seront écrits.
Maxim, qu'est-ce qui se passe avec ton EA ? Où puis-je voir les tests, ou tout est classifié ?
Je m'améliore de plus en plus... Mais lentement, à cause de la complexité du sujet.
Quelques observations/réflexions sur la manière de construire un modèle pour le marché (par expérience) :
Pour les classificateurs à réseaux neuronaux: l'équilibrage des classes est obligatoire, le nombre d'exemples pour 2 classes ou plus doit être équilibré. Si le modèle est entraîné sur un segment de tendance, on peut refléter les signaux et ajouter des exemples contraires. En même temps, les signes ne doivent pas être en corrélation avec l'objectif, qui est clair.
Pour les régresseurs de réseaux neuronaux: au moins un des indicateurs doit êtrefortement corrélé avec la cible, en particulier lorsque le modèle est entraîné sur les prix de sortie. Si vous ne le faites pas, le régresseur se perdra dans un arbre et ne sera pas en mesure de prédire correctement le prix si l'échantillon contient des exemples répétés ou similaires, mais avec des prix de sortie différents. À cette fin, en plus d'autres caractéristiques, vous pouvez utiliser des incréments normalisés avec un grand décalage (plus de 50). Plus l'échantillon entraîné est grand, plus le décalage est nécessaire pour exclure les variantes répétitives. Il est également souhaitable d'alimenter plusieurs séries de ce type avec des incréments décalés les uns par rapport aux autres, ce qui permet d'interpréter chaque cas individuel de manière presque sans ambiguïté.
Pour les forêts aléatoires comme classificateurs : même chose que pour NS.
Pour les forêts aléatoires comme régresseurs : presque inutile, comme pour NS, mais il est impossible de donner des prix en sortie (car les forêts n'extrapolent pas), et si on donne des incréments à ces fins, les forêts vont se mélanger dans 3 pins, car il y aura beaucoup d'exemples qui se chevauchent.
Quelques observations/réflexions sur la façon de construire un modèle pour le marché (par expérience) :
Pour les classificateurs à réseaux neuronaux: l'équilibrage des classes est obligatoire, le nombre d'exemples pour 2 classes ou plus doit être équilibré. Si le modèle est entraîné sur un segment de tendance, on peut refléter les signaux et ajouter des exemples contraires. Dans ce cas, les signaux ne doivent pas correspondre à la cible, ce qui est compréhensible.
C'est l'avis contraire. J'ai des preuves jusqu'à travailler sur le réel. Une chose qui est claire pour moi, c'est que construire une classification sur le marc de café et les anneaux de Saturne est impossible, JAMAIS - c'est du chamanisme. Les modèles hors échantillon donnent à peu près le même résultat que les modèles dans l'échantillon seulement si vous nettoyez l'ensemble des prédicteurs d'entrée du bruit et ne laissez que ceux qui sont pertinents pour la variable cible. De plus, j'ai un algorithme pour nettoyer le bruit et les résultats du calcul pour les prédicteurs restants donnent l'erreur marginale avec laquelle la classification sera faite pour cet ensemble de prédicteurs.
C'est exactement le contraire. J'ai des preuves jusqu'au travail dans le monde réel. Une chose qui est claire pour moi est que la classification basée sur le marc de café et les anneaux de Saturne ne peut, JAMAIS, être chamanique. Les modèles hors échantillon donnent à peu près le même résultat que les modèles dans l'échantillon seulement si vous nettoyez l'ensemble des prédicteurs d'entrée du bruit et ne laissez que ceux qui sont pertinents pour la variable cible. De plus, j'ai un algorithme pour nettoyer le bruit, et les résultats du calcul pour les prédicteurs restants donnent l'erreur marginale avec laquelle la classification pour cet ensemble de prédicteurs sera faite.
Cette question n'est pas évidente pour moi si on obtient un classificateur non linéaire... qu'est-ce qui doit être corrélé avec quoi ? ) Et si nous avons des caractéristiques catégorielles, alors la régression ne fonctionnera pas du tout, mais la classification oui.
mais pour la régression, c'est justifié