L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 617
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
La réponse à votre question : la classification. Signaux d'achat/de vente/de passage.
Quant aux photos, on ne sait pas très bien quelles sont les lignes.
Captures d'écran de la plateforme de négociation MetaTrader
AUDUSD, H1, 2018.01.28
RoboForex (CY) Ltd, MetaTrader 5, Démo
Je suis d'accord, les photos sont extraites du tableau.
À propos de la classification, est-ce que le même réseau neuronal peut être appliqué ?
Le modèle tel qu'il est compris par le public est un ensemble de paramètres de données (colonnes, variables) + un ensemble de méthodes mathématiques (fonctions) + le résultat (appel de fonction).
Je comprends que vous parlez d'un ensemble de données.
La longueur de l'ensemble de données affecte la qualité et la vitesse de l'apprentissage (rangs). La qualité des prédictions est influencée par la qualité des paramètres (colonnes)
Je n'arrive pas à trouver comment gérer la longueur de l'ensemble de données. Dans mon cas, un seul et même modèle peut avoir une longueur de 500 barres, mais dans une journée, il peut avoir une longueur de 200 barres. Supposons que je crée un script qui me donne des ensembles de données pour chaque heure, mais de longueur différente, comment puis-je les utiliser dans un réseau neuronal ? Je pense que la longueur du modèle est également un paramètre de qualité pour les réseaux neuronaux...
https://charts.mql5.com/17/376/audusd-h1-roboforex-cy-ltd.png
D'accord, les images sont extraites du graphique.
Quant à la classification, peut-elle être appliquée dans le même réseau neuronal ?
Les images ne permettent pas de savoir clairement quelles sont les données et où se trouvent les prévisions. Que signifient les lignes verticales? En général, comme on dit, il n'y a pas de légende sur le graphique.
En gros, oui, dans la structure du modèle de réseau neuronal, vous devrez modifier la couche de sortie (nombre de neurones, fonction d'activation) et transformer les données pour la formation en classes (par exemple, signaux d'indicateurs, incréments de prix normalisés).
Les images ne permettent pas de déterminer clairement le type de données. Où se trouvent les prévisions ? Que signifient les lignes verticales? En général, comme on dit, il n'y a pas de légende sur le graphique.
En gros, oui, dans la structure du modèle de réseau neuronal, vous devrez modifier la couche de sortie (nombre de neurones, fonction d'activation) et transformer les données pour la formation en classes (par exemple, signaux d'indicateurs, incréments de prix normalisés).
Selon la photo, les lignes verticales montrent le modèle lui-même, tout ce qui se trouve après la verticale droite en avant. Le forward se comporte donc différemment et, à l'aide d'un réseau neuronal, je veux trouver une explication possible à son comportement. Je veux utiliser les données de neuronet pour les prix incrémentaux du modèle.
Je n'arrive pas à trouver comment gérer la longueur de l'ensemble de données. Dans mon cas, un seul et même modèle peut avoir une longueur de 500 barres, mais dans une journée, il peut avoir une longueur de 200 barres. Supposons que je crée un script qui me donne des ensembles de données pour chaque heure, mais de longueur différente, comment puis-je les utiliser dans un réseau neuronal ? Je pense que la longueur du modèle est aussi un indicateur qualitatif pour les réseaux neuronaux.
Votre ensemble de données est un tableau où les colonnes sont, par exemple, les prix d'ouverture/de fermeture et les lignes sont des moments de temps, des barres.
Dans une architecture de réseau neuronal élémentaire, il entre une ligne après l'autre et, pour chaque ligne, il doit produire un résultat qui, après comparaison avec un point de référence, la fonction d'optimisation "formera" le réseau neuronal.
Si vous l'alimentez en plusieurs chaînes à la fois, il s'agit d'une série temporelle, ce qui signifie qu'elle doit être alimentée selon un certain algorithme.
J'ajouterai : étudiez les articles sur le sujet, je pense que de nombreuses questions deviendront plus claires.Selon la photo, les lignes verticales montrent le modèle lui-même, tout ce qui se trouve après la verticale droite en avant. L'attaquant se comporte donc différemment et, à l'aide d'un réseau neuronal, je veux trouver une explication possible à son comportement. Je veux utiliser les données du neuronet pour les incréments de prix du modèle.
J'ai commencé à écrire un article sur le trading en paires... mais je suis resté bloqué à cause de ma paresse et de mon manque de compréhension de la manière de le faire correctement :)
Votre ensemble de données est un tableau, où les colonnes, par exemple, sont les prix d'ouverture/de fermeture, et les lignes sont des moments de temps, des barres.
Dans une architecture rudimentaire de réseau neuronal, il entre une ligne après l'autre, et pour chaque ligne, il doit produire un résultat qui, en le comparant au repère, la fonction d'optimisation va "entraîner" le réseau neuronal.
Si vous alimentez plusieurs chaînes de caractères à la fois, il s'agit d'une série chronologique, ce qui signifie que vous devez l'alimenter selon un certain algorithme.
Pardonnez-moi d'être franc, ma connaissance des réseaux neuronaux est probablement trop superficielle. Ainsi, par exemple, j'ai une séquence de prix pour 100 barres et une séquence d'avance pour 5 barres. L'entrée du réseau neuronal est 100 et la sortie est 5 barres. Mais maintenant, la sélection suivante, une heure plus tôt, a une séquence, par exemple, de 200 barres et de 5 barres en avant. la troisième sélection, une heure plus tôt, a 250 barres à l'entrée et 5 barres à la sortie. comment faire un tel réseau neuronal ? Partout, il y a des exemples décrivant que les données d'entrée sont dans la même quantité.
J'ai commencé à écrire un article sur le double trading... mais je suis resté bloqué par ma paresse et mon incompréhension de la manière de le faire correctement :)
Salutations, je n'utilise pas la méthode des paires, bien que j'aie appris à connaître la méthode des paires. Pour aujourd'hui, j'utilise le trading de portefeuille, et seulement parce que je crée un portefeuille pour mon stade (modèle) pratique à tout moment. Et quand j'ai remarqué que les séries de portefeuilles sont similaires à toutes les séries de marchés, j'ai décidé de trouver des régularités possibles pour des ensembles identiques (visuellement identiques) en utilisant neuronet.
Maxim, tu fais tourner tes réseaux neuronaux sur monopair, n'est-ce pas ? Avez-vous déjà pensé que vous pouviez créer une rangée pratique qui pourrait ensuite être plus performante sur l'avant ? Après tout, en fait, disons qu'une figure en épaulettes, par exemple, ne se produit pas très souvent, mais imaginez que vous puissiez la faire toutes les heures...
Pardonnez-moi d'être franc, ma connaissance des réseaux neuronaux est probablement trop superficielle. Ainsi, par exemple, j'ai une séquence de prix pour 100 barres et une séquence d'avance pour 5 barres. L'entrée du réseau neuronal est 100 et la sortie est 5 barres. Mais maintenant, la sélection suivante, une heure plus tôt, a une séquence, par exemple, de 200 barres et l'avant est aussi de 5 barres. La troisième sélection, une heure plus tôt, a 250 sur l'entrée et 5 sur la sortie. Comment faire un tel réseau neuronal ? Partout, il y a des exemples décrivant que les données d'entrée sont les mêmes.