L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 692

Nouveau commentaire
 
Mihail Marchukajtes:

C'est la première option, et la seconde consiste à construire de petits modèles sans adaptation pour une période de temps relativement courte. Pour ainsi dire, en pillant le marché. Vous arrivez, avec un optimel, vous prenez quelques bonnes affaires aux roturiers, et vous partez jusqu'à la prochaine fois....

Vous pouvez éteindre la mémoire à long terme d'un robot et il sera comme un nouveau-né tous les jours, mais le manque d'expérience à long terme est toujours un fiasco et un jour de la marmotte.

 
SanSanych Fomenko:

Je n'ai pas besoin de réfléchir - pour moi, c'est une phase passée avec une archive assez importante de résultats expérimentaux.

Je vais répéter ce que j'ai déjà écrit à plusieurs reprises.

1. Ciblé ZZ.

2. J'ai inventé environ 200 prédicteurs pour cette cible.

3. 27 prédicteurs sur 200 selon l'algorithme "influence sur la cible".

4. j'ai sélectionné des prédicteurs parmi les 27 prédicteurs de chaque barre et changé le nombre de prédicteurs sélectionnés de 6-7 à 15 sur 27.

5. Fitting rf. L'erreur d'ajustement est légèrement inférieure à 30%.


Pas de cycles infinis. 30% est un très bon résultat, mais en théorie. Je n'ai pas réussi à construire un Expert Advisor pratique en utilisant ce résultat, j'ai dû ajouter des indicateurs de tendance. Maintenant je change les indicateurs (junk) en GARCH.

Ce que je dois prouver, les approches sont identiques car c'est un principe, mais qu'est-ce que rfe ?

P.S. J'ai des modèles comptés dans les indicateurs dont la sortie a une flèche vers le haut ou vers le bas. Le conseiller expert a la fonction d'un "ouvreur" fiable.

 
SanSanych Fomenko:

Je n'ai pas besoin de réfléchir - pour moi, cela a été fait, avec une archive assez importante de résultats expérimentaux.

Eh bien, nous n'avons pas à le faire si tu ne peux pas le faire.

on pourrait penser que nous sommes plus intelligents que vous :)

PS Je m'habitue à apprendre de l'expérience des autres.

 
Maxim Dmitrievsky:

Il suffit de désactiver la mémoire à long terme du bot pour qu'il renaisse chaque jour, mais le manque d'expérience à long terme est toujours un fiasco et un jour de marmotte.

La sur-optimisation quotidienne le matin n'est pas bonne, là je suis d'accord. TC a besoin d'un intervalle un peu plus long pour fonctionner. Sur mon M15, une semaine suffit. Si je considère 40 signaux en formation où l'intervalle de confiance pour le modèle est d'environ 20 dont 5 sur OOS (vendredi) les 15 autres fonctionnent déjà, généralement 3-4 deals par jour, donc c'est une semaine pour moi ! C'est à nouveau le jour de la marmotte, ou plutôt la semaine de la marmotte, alors c'est le travail ... Je n'y peux rien :-). J'aime bien, cependant, et Steve Jobs avait raison. "Il n'y a pas de meilleur travail qu'un hobby bien rémunéré.

 
Maxim Dmitrievsky:

Eh bien, nous n'avons pas à le faire si tu ne peux pas le faire.

On pourrait penser que nous sommes plus intelligents que vous :)

P.S. J'apprends de l'expérience des autres.

Je n'ai pas dit que ça ne marchait pas. Je l'ai fait, et très bien - j'ai réussi à résoudre certains problèmes financiers.

Mais mon conseiller expert a été recyclé et la source des indicateurs dont j'essaie de me débarrasser.

 
Mihail Marchukajtes:

"Il n'y a pas de meilleur travail qu'un hobby bien rémunéré".

Saint-Simon a posé cette affirmation 200 ans avant Jobs comme base du socialisme utopique.

 
SanSanych Fomenko:

Saint-Simon, 200 ans avant Jobs, a fondé le socialisme utopique sur cette prémisse.

C'est fort possible. Je ne vais pas discuter...

 
Mihail Marchukajtes:

Mais je ne pense pas qu'une seule métrique VI soit suffisante. Nous devons essayer de calculer la redondance et tenter de réduire le nombre de colonnes.

Il existe peut-être des fonctions déjà prêtes qui permettent d'estimer les données d'entrée à la sortie en plus de l'information mutuelle ????.

Il existe de nombreuses bibliothèques (packages) dans R pour de nombreux cas, y compris la sélection de prédicteurs (colonnes).
https://cran.r-project.org/web/packages/available_packages_by_name.html sont des bibliothèques officiellement supportées, et il y en a des centaines d'autres sur githab. Vous pouvez y rechercher par mots-clés ce dont vous avez besoin.

Pour la détermination de la VI de chaque prédicteur avec l'objectif fonctionne bien le paquet vtreat (fonction designTreatments, recherchez par son nom sur ce site, il donnera de nombreux liens à ce sujet avec des exemples).
J'ai également donné récemment un exemple d'utilisation du paquet FSelector pour trouver un bon ensemble de prédicteurs -https://www.mql5.com/ru/forum/86386/page643#comment_6472393.
Plusieurs autres paquets sont proposés - FSelectorRcpp, CORElearn, VSURF, VarSelRF, Boruta.

Boruta me semble être le plus facile à utiliser (mais peut-être pas le meilleur), il suffit d'exécuter ce code et d'attendre...

#  install.packages("Boruta", dependencies=T) #  эту строчку нужно запустить всего 1 раз чтобы автоматически установить пакет
# library(Boruta) #  эту строчку нужно запустить каждый раз когда вы заново открываете R или RStudio, чтоб загрузить пакет в память
forexFeatures <- read.csv2("Qwe.txt", dec=".")
Boruta(TargetProf ~ . , data = forexFeatures) #запуск  с дефолтными параметрами
Boruta(TargetProf ~ . , data = forexFeatures, doTrace = 1, maxRuns = 1000) #больше  логов на экране, и больше итераций алгоритма, результат должен быть качественней чем дефолтный
Le code donnera"4 attributs importants : AD10, Del, Del2, N ;", donc vous pouvez prendre seulement ces 4 et essayer d'enseigner le modèle avec eux.
N (numéro ordinal) est également considéré comme bon car la classe 1 est concentrée au début du fichier avec un petit N. En général, il est préférable de commencer par supprimer de la table les colonnes qui ne contiennent que des informations pour l'utilisateur et non pour les modèles.
forexFeatures <- forexFeatures[,-1]
Boruta(TargetProf ~ . , data = forexFeatures, doTrace = 1, maxRuns = 1000)
# 2 attributes confirmed important: AD10, Del;
 
Dr. Trader:

R dispose de nombreuses bibliothèques (paquets) pour de nombreuses utilisations, notamment la sélection de prédicteurs (colonnes).
https://cran.r-project.org/web/packages/available_packages_by_name.html sont des bibliothèques officiellement supportées, et il y en a des centaines d'autres sur githab. Vous pouvez y effectuer une recherche par mots-clés pour trouver ce dont vous avez besoin.

Pour la détermination de la VI de chaque prédicteur avec l'objectif fonctionne bien le paquet vtreat (fonction designTreatments, recherchez par son nom sur ce site, il donnera de nombreux liens à ce sujet avec des exemples).
J'ai également donné récemment un exemple d'utilisation du paquet FSelector pour trouver un bon ensemble de prédicteurs -https://www.mql5.com/ru/forum/86386/page643#comment_6472393.
Plusieurs autres paquets sont proposés - FSelectorRcpp, CORElearn, VSURF, VarSelRF, Boruta.

Boruta me semble le plus facile à utiliser (mais peut-être pas le meilleur), il suffit d'exécuter ce code et d'attendre

Mm-hmm. J'ai déjà téléchargé un tas de choses, mais ma connaissance de R est faible, ce qui explique les tambourins. Mais merci pour l'information. Je pense que je dois me fixer sur un ensemble spécifique de mesures, qui seront suffisantes pour l'analyse. J'ai aussi aimé le VI, en regardant les modèles et les résultats des tests, mais je pense que ce n'est pas suffisant. Une fois que l'on a défini un ensemble de paramètres, il ne reste plus qu'à élargir l'ensemble des entrées, de manière à ce qu'il y ait un choix possible, le plus important étant la qualité des entrées par rapport à la sortie. Trouver de bons intrants pour votre TS est plus que la moitié de la bataille... c'est comme ça....

 
Dr. Trader:

R dispose de nombreuses bibliothèques (paquets) pour de nombreuses utilisations, notamment la sélection de prédicteurs (colonnes).
https://cran.r-project.org/web/packages/available_packages_by_name.html sont des bibliothèques officiellement supportées, et il y en a des centaines d'autres sur githab. Vous pouvez y rechercher par mots-clés ce dont vous avez besoin.

Pour déterminer l'API de chaque prédicteur avec l'objectif fonctionne bien le paquet vtreat (fonction designTreatments, recherchez par son nom sur ce site, il donnera de nombreux liens à ce sujet avec des exemples).
J'ai également donné récemment un exemple d'utilisation du paquet FSelector pour trouver un bon ensemble de prédicteurs -https://www.mql5.com/ru/forum/86386/page643#comment_6472393.
Plusieurs autres paquets sont proposés - FSelectorRcpp, CORElearn, VSURF, VarSelRF, Boruta.

Boruta me semble le plus facile à utiliser (mais peut-être pas le meilleur), il suffit d'exécuter ce code et d'attendre

Le code donnera"4 attributs confirmés importants : AD10, Del, Del2, N ;", donc vous pouvez prendre seulement ces 4 et essayer d'entraîner le modèle avec eux.
N (numéro ordinal) est également considéré comme bon car la classe 1 est concentrée au début du fichier avec un petit N. En général, il est préférable de commencer par supprimer de la table les colonnes qui ne contiennent que des informations pour l'utilisateur et non pour les modèles.

Attends, je vais réessayer. Je voulais juste demander un exemple de code à utiliser....

1...685686687688689690691692693694695696697698699...3399
Nouveau commentaire