L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2465
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
Comment pourrait-il en être autrement ? C'est exactement ce qu'il fait.
Avez-vous déjà rencontré l'expression "bases de données basées sur les réseaux neuronaux" ? Je suis tombé dessus une fois et je pense que c'est la meilleure définition de ce que sont les NS/arbres.
Un arbre peut être entraîné jusqu'à la dernière division, puis il se souviendra de tout l'historique avec une précision absolue (on obtient un modèle surentraîné).
Si ce n'est pas à la dernière division, mais à une division d'arrêt un peu plus tôt (par exemple par 10 exemples dans une feuille), alors nous obtenons la mémoire avec la généralisation et avec la moyenne des résultats de ces 10 exemples les plus semblables. Il y aura moins de sur-apprentissage. C'est-à-dire que vous devez arrêter la division lorsque le sous-apprentissage commence à se transformer en sur-apprentissage. C'est la tâche principale et la plus difficile.
Je pense que vous ne devriez pas mélanger les réseaux neuronaux et l'apprentissage automatique dans le trading - j'ai aimé les images ici - jusqu'à présent, je vois les réseaux neuronaux comme des possibilités pour l'analyse technique (où vous avez besoin d'yeux, d'oreilles, etc., comme indiqué ci-dessus) ou pour des versions récursives de ceux-ci,
comme lorsque vous avez trop de données en main, lorsque vous n'avez pas la formule nécessaire pour vous aider à trouver une relation entre les entrées et les sorties de votre ensemble de données, ou lorsque vous devez faire des prédictions plutôt que de trouver des explications.
ou avec des poids - (mais comment les définir logiquement je ne vois pas comment (autre qu'un bête 0 à 1), ou si avec un entraînement (0 ou 1), pour qu'ils ne s'égarent pas)
Les neurones forment des couches à travers lesquelles un signal passe de manière séquentielle. Tout cela est relié par des connexions neuronales - des canaux, par lesquels les données sont transmises. Chaque canal a son propre "poids" - un paramètre qui affecte les données qu'il transmet.
Et l'apprentissage automatique sous une forme plus générale est un arbre de décision et même une forêt de décisions, où, je suis d'accord avec vous, l'essentiel est de s'arrêter à temps, et des algorithmes génétiques simples (dans Excel), des statistiques avec des erreurs et la propagation à rebours des erreurs pour un apprentissage ultérieur .... et peut-être même le même ratio de Monte-Carlo et de Sharpe pour évaluer le risque du portefeuille et les moyens de diversification et de couverture (c'est là que vous pouvez vraiment télécharger beaucoup de données pour l'analyse).
p.s.
et une sorte d'aperçu de NN pour prédire les mouvements de prix
Il n'y a pas une seule organisation de réseau correcte. Chaque architecture de réseau présente ses propres avantages et inconvénients. Les réseaux de rétropropagation sont courants car ils offrent de bonnes performances, mais sont souvent difficiles à former et à configurer. Les réseaux récurrents offrent certains avantages par rapport aux réseaux de rétropropagation, car leur "caractéristique de mémoire" peut être utilisée pour extraire les dépendances temporelles dans les données, et ainsi améliorer la prédiction. Des modèles plus complexes peuvent être utiles pour réduire les erreurs ou les problèmes de configuration du réseau, mais ils sont souvent plus complexes à former et à analyser.
- c'est-à-dire que la mémoire ne sera disponible que si elle est intégrée à l'architecture du réseau... Je pense qu'il est très naïf et imprudent de mettre la mémoire dans un modèle d'une variable (comme le prix)... La mémoire peut être mise dans l'analyse des données démographiques, des fluctuations saisonnières, et quelque chose de plus systématiquement répétitif et constant... mais PAS les mouvements de prix pour le day-trader.... au moins, dans l'analyse de l'élan... imho... ou un petit souvenir des derniers K's seulement si vous regardez (et Flat/Trend n'a qu'une probabilité de 0.5)
(pour les raisons décrites, je suppose que c'est vraiment un argument inutile - quand on parle sans référence à une architecture particulière d'un réseau particulier ou d'une autre variante d'apprentissage automatique) ... mais merci pour l'avertissement
Avec la mémoire, vous n'avez pas besoin d'aller loin (ou plutôt, sans mémoire - exécutez-la et oubliez-la, les données de la mémoire intermédiaire ne sont plus importantes dans Output) :
Monte Carlo est un outil de prise de décision qui part du principe que chaque décision aura un certain impact sur le risque global.
comment la méthode de Monte Carlo est utilisée pour optimiser un portefeuille -
Tout d'abord, des pondérations aléatoires sont attribuées aux actions, après quoi le rendement et l'écart type sont calculés. Les valeurs obtenues sont enregistrées. L'étape suivante consiste à changer les poids de manière aléatoire (l'essentiel est de se rappeler que leur somme doit être égale à l'unité), puis on recommence - le calcul et la sauvegarde de la valeur résultante. Le nombre d'itérations dépend du temps, de la capacité de calcul de l'ordinateur et du risque que l'investisseur est prêt à prendre.
(bien qu'en Excel avec le paquet d'analyse et de recherche de solution - probablement une mise en œuvre encore plus facile - la question est à nouveau dans le modèle, et les algorithmes génétiques et autres sont définis dans le chercheur de solution - et ici il est prêt "méthode de recherche muette") ... mais pour la gestion des risques, et pas encore pour la prédiction du mouvement des prix
Après toutes les réponses, il faut tirer des conclusions, car jusqu'à présent, chacun exprime sa propre... (le thème est qu'il n'y aura pas une seule conclusion - il y a plusieurs méthodes - pas de dénominateur commun)
Comme dans l'arbre qu'elibrarius a mentionné.
C'est-à-dire que vous devez arrêter la division lorsque le sous-apprentissage commence à se transformer en sur-apprentissage. C'est la tâche principale et la plus difficile
Après toutes les réponses, il faut tirer des conclusions, car jusqu'à présent, chacun exprime sa propre... (le thème est qu'il n'y aura pas une seule conclusion - il y a plusieurs méthodes - pas de dénominateur commun)
comme dans l'arbre qu'elibrarius a évoqué.
C'est tout pour le casino, c'est différent dans le forex. Que peux-tu expliquer au robot ? Quand le bleu est au-dessus du rouge, achetez. C'est tout ;)
Vladimir, j'ai une douzaine de positions/états uniques
Si vous regardez sur stackoverflow, la logique est très simple (tout comme dans le complément Excel Solution Finder) :
0/ être honnête et utiliser la moyenne et l'échelle déduites de l'ensemble de formation -
1/ Le réseau neuronal se souvient de ce qu'il a appris grâce à ses poids et ses biais.
2/ Initialiser les poids de façon aléatoire - cela déplace la responsabilité vers la machine - CE QUI EST BON, pas le développeur.
3/ l'entraîner avec des modèles - sur de grandes données (et par ailleurs sur la grande puissance du PC) - soit par régression, soit par modèle logistique ou autre (cela vaut la peine d'y réfléchir et de choisir - il n'y a pas beaucoup de choix à faire, parce qu'en choisissant la régression linéaire, on enlève à l'optimiseur la possibilité de travailler, donc je suppose).
4/ ... entrer des données et obtenir le résultat d'une machine entraînée ET TOUS
p.s. N'oubliez pas les réseaux neuronaux artificiels continus et discrets : le premier est probablement une fonction intégrale, le second sert à déterminer un plat/une tendance, par exemple...
et quelques conseils sur la mode
Lesréseaux neuronaux récurrents ont été à diverses reprises une méthode à la mode pour diverses applications de prédiction financière, par exemple
p.p.s. un peu de théorie
Dans les réseaux bayésiens, les sommets et les arêtes ont une signification. La structure du réseau elle-même vous donne des informations précieuses sur la dépendance conditionnelle entre les variables. Avec les réseaux neuronaux, la structure du réseau ne vous dit rien.
et les bibliothèques python (vous pouvez également utiliser R) si excel ne suffit pas
(alors que ceux qui ne savent ni lire ni comprendre rêvent encore d'expliquer quelque chose à leur robot, parce qu'ils n'ont pas assez joué au casino)
... mais la régression linéaire prête à confusion car, si je me souviens bien, les prix sont non linéaires et le rendement est linéaire (si ce n'est pas l'inverse ?)
.
PAS l'inverse, comme .
Bien que les prix ne soient pas distribués normalement, le rendement des prix présente dans de nombreux cas une distribution normale.
PAS l'inverse, parce que.
bien que la logique contraire, mais en conjonction avec un souvenir lointain, se confirme... (bien que je ne m'occupe pas souvent de la finance quantitative et de la recherche financière).J'ai réalisé une application MT5 fonctionnelle pour l'utilisateur final, elle s'installe en deux clics.
Le réseau neuronal s'exécute sur l'ordinateur de l'utilisateur dans un fichier exe (vous pouvez le faire sans exe dans le cas d'un script Python).
Aucune demande externe, API, dll, etc.
Les prédictions comme indicateur par défaut.
Pour en savoir plus , cliquez ici.