L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1965
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
Exécutez et négociez, apprenez au fur et à mesure.
Quelle est la logique de trading ? Apprend-il sur une base glissante dans une fenêtre de 1,5 mois ? Combien de fois apprend-il ou dépend-il de quoi ? Dans quel délai ?
Je suggère de faire des tests sur ces données, il y a certainement un modèle et l'objectif à atteindre est clair.
ps pour enlever le .txt du nom
Réseau : 56.58% de bonnes réponses, 2.63 d'attente
Forêt : 55,89% de réponses correctes, 2,36 d'attente
Incréments cumulatifs de la forêt : 55.89% de réponses correctes, 2.36 d'attente, résultats identiques
Rangs de 20 5 chiffres. L'écart n'est pas pris en compte. En moyenne, les résultats sont les mêmes, mais la grille compte pendant 2 minutes et la forêt pendant moins d'une seconde.
On dirait qu'une séance de magie noire s'impose, bien que je n'aie pas encore essayé le zigzag.
Réseau : 56.58% de bonnes réponses, 2.63 d'attente
Forêt : 55,89% de bonnes réponses, 2,36 d'attente
Rangs 20 5-digits. L'écart n'est pas pris en compte. En moyenne, les résultats sont les mêmes, mais la grille compte pendant 2 minutes et la forêt pendant moins d'une seconde.
Cela ressemble à une séance de magie noire, bien que je n'aie pas encore essayé le zigzag.
Pour quoi passez-vous du temps à apprendre sans spreads ? Juste pour les jolis graphiques ? Faites quelque chose de réel.
Tu ne peux pas. C'est pourquoi ils sont aléatoires, parce qu'ils prennent des colonnes aléatoires pour s'entraîner. Le calcul de la moyenne donne alors de bons résultats.
Addendum : le nombre de lignes impliquées dans la formation devrait également être mis =1, c'est-à-dire toutes pour que la formation soit la même. Ainsi, tout ce qui est aléatoire dans la forêt aléatoire est supprimé.Vous pouvez essayer de définir la fraction de colonne = 1. C'est-à-dire que toutes les colonnes seront impliquées dans la construction de l'arbre, plutôt qu'un échantillon aléatoire de 50 % de toutes les colonnes. Tous les arbres seront les mêmes, donc définissez également 1 arbre dans la forêt. Au total, une forêt avec un arbre est entraînée à 6, l'autre à 7 niveaux de profondeur.
Si plus de deux arbres sont nécessaires, éliminez certaines colonnes de l'ensemble indépendamment et formez des forêts supplémentaires sur toutes les colonnes restantes.
S'il y a une règle de partage fixe, sans aléa, c'est probablement ce qui se passera. Voulez-vous l'essayer ? Je ne sais pas comment faire un échafaudage :(
15 timeframes, signaux sur chaque barre. Revords aussi, mais vous pouvez les changer en fonction des conditions. Il n'est pas formé initialement, il part d'une feuille blanche pour commercer immédiatement. C'est-à-dire qu'il ne peut pas être rééduqué en principe. Il est réentraîné après chaque transaction et garde la mémoire des entrées précédentes. Des liens récurrents peuvent être ajoutés. Tout est dans le manuel, j'ai juste besoin de le comprendre. Je vais bientôt travailler dessus, je veux développer un analogue en tensor-flow.
Et comment cette mémoire est-elle mise en œuvre ? Pouvez-vous l'expliquer en termes simples ?
S'il y a une règle fixe de fractionnement, sans aléa, c'est probablement ce qui se passera. Voulez-vous l'essayer ? Je ne sais pas comment construire une forêt :(
Je l'ai vérifié - c'est le cas, au moins dans l'échafaudage d'algues. Seules les lignes et les colonnes sont randomisées, si leurs coefficients sont fixés =1, tous les arbres seront identiques, c'est-à-dire qu'un seul arbre suffit pour ne pas perdre de temps à calculer sa copie. D'autres paquets peuvent randomiser autre chose...
Je ne veux pas essayer. Un arbre d'une profondeur de 6 ou 7 est suffisant pour moi. Un arbre d'une profondeur de 6,5 [une analogie avec votre idée] n'est pas très intéressant. Et paresseux, bien sûr.
Comment cette mémoire est-elle mise en œuvre ? Pouvez-vous l'expliquer en termes simples ?
Je ne le comprends pas encore.
Je l'ai vérifié - c'est le cas, au moins dans la forêt d'algibes. Seules les lignes et les colonnes sont randomisées, si leurs coefficients sont fixés =1, alors tous les arbres sont identiques, c'est-à-dire qu'un arbre suffit pour ne pas perdre de temps à calculer sa copie. D'autres paquets peuvent randomiser autre chose...
Je ne veux pas essayer. Un arbre d'une profondeur de 6 ou 7 est suffisant pour moi. Un arbre d'une profondeur de 6,5 [une analogie avec votre idée] n'est pas très intéressant. Et la paresse, bien sûr.
Je vois. Je vois simplement l'avant-dernière scission comme un sous-espace sur lequel on peut construire un mini-modèle pour l'étudier. Bien sûr, les répartitions devraient être intelligentes, peut-être ventilées en fonction des statistiques de l'ensemble de l'échantillon plutôt que du sous-échantillon. Il devrait y avoir probablement 3 à 5 divisions et pas plus avant que ce processus ne commence. L'idée, cependant, est de réduire l'impact de l'avantage statistique aléatoire d'un fractionnement particulier par rapport à d'autres alternatives.
Et comment cette mémoire est-elle mise en œuvre ? Pouvez-vous l'expliquer en termes simples ?
Allez sur python, je vous donnerai des exemples, vous pouvez les utiliser.
Je ne vois pas l'intérêt d'en discuter sur ce forum puisque RL n'est pas un sujet de niveau débutant.