L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2645
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
C'est peut-être le cas. Mais il semble qu'il s'agisse d'une approche plus interprétable de la comparaison/sélection des caractéristiques et de l'optimisation des métaparamètres.
Qu'en est-il des règles d'association qui n'ont pas fonctionné ?
L'idée est généralement claire. Quoi qu'il en soit, nous devons d'abord penser à un algorithme permettant de diviser un ensemble continu de prédicteurs en éléments discrets à partir desquels les règles sont formées. Si ces bons prédicteurs et leur bonne partition existent réellement et sont trouvés, le reste n'est qu'une question de technique.
L'idée est généralement claire. Quoi qu'il en soit, nous devons d'abord penser à un algorithme permettant de diviser un ensemble continu de prédicteurs en éléments discrets à partir desquels les règles sont formées. Si ces bons prédicteurs et leur bonne partition existent réellement et sont trouvés, le reste n'est qu'une question de technique.
Expérimentation de la régression symbolique...
Fondamentalement, des règles asociatives séquentielles sont mises en œuvre, mais au lieu d'éléments statiques, il s'agit de règles logiques. Cela donne plus de profondeur à l'algorithme, qui peut comprendre ses observations de manière beaucoup plus subtile. Ce concept permet de décrire n'importe quel type de régularité, car la complexité et le type de règles ne sont limités par rien.
Il y a une cuillerée de goudron, l'algorithme ne peut pas se permettre d'étudier de grands tableaux de données, car il est très long en raison des particularités de son architecture.
J'ai donc imaginé quelques approches pour réduire la dimensionnalité de la recherche.
1) Je ne m'intéresse qu'aux extrêmes ; en se concentrant sur eux, on réduit l'espace de recherche de 10 à 20 fois, et en réalité, tout ce dont nous avons besoin du marché, c'est de savoir s'il s'agit d'un retournement ou non, de tendances-schmends, de flatts-schmets... ce sont des conneries subjectives qui nous empêchent de nous concentrer sur l'essentiel.
2) J'ai inventé et mis en œuvre quelque chose comme le "one shot learning" tel que je le conçois, maintenant je n'ai plus besoin de calculer l'historique complet pour apprendre quelque chose, ce n'est pas un savoir-faire cool, c'est plus un désespoir, parce que l'apprentissage sur l'historique complet ne fonctionnera pas, du moins pas encore.
Pour l'instant, nous n'en sommes qu'aux premières expériences, mais je peux affirmer avec certitude que l'algorithme n'est pas complètement stupide et qu'il y a quelque chose à apprendre.
L'algorithme de trading lui-même consiste en des modèles, un modèle est un ensemble de règles pour une situation spécifique.
Voici à quoi ressemble un modèle pour une situation donnée.
Les règles sont primitives, mais nous ne faisons que nous échauffer).
Le schéma est négocié comme une forêt, il y a de nombreuses règles dans le schéma, si un certain seuil de règles est déclenché, URAH nous reconnaissons le renversement et nous le négocions.
Cela ressemble à ceci.
C'est comme ça.
Quelle est la beauté de l'algorithme ?
1) Il creuse profondément dans le modèle, si je puis dire.
2) Il n'est pas lié aux indices et ne travaille pas avec des données tabulaires, il est donc résistant à la non-stationnarité, ainsi qu'aux règles asociatives.
D'ailleurs, cela peut être intéressant pour quelqu'un.
Très souvent, si le rebond ne fonctionne pas, la résistance devient un support.
comme sur l'image.
Et cela s'explique, donc les niveaux sont là, ils ne peuvent pas ne pas être là.
Je réfléchis à la possibilité de combiner mon idée avec celle de l'algorithme PRIM. Je n'ai pas beaucoup de raisons de me vanter.
Curieusement, cet algorithme PRIM contient les mêmes idées que celles que j'essaie de réaliser.
J'ai lu l'article, mais il y a quelques confusions :
1. Quel est le processus de quantification pour le partitionnement des frontières ? S'agit-il d'un partitionnement uniforme avec un certain pas ?
2. Les limites sont claires - je le fais moi-même, mais elles ont un écrêtage supplémentaire dans l'image - le deuxième écrêtage est-il une exclusion stupide de l'échantillonnage ?
3) Si j'ai bien compris, ils considèrent, comme moi, chaque prédicteur séparément - en trouvant ce que l'on appelle des "boîtes", mais je n'ai pas compris, d'après la description, comment ces différents prédicteurs sont combinés.
L'inconvénient de cette méthode est qu'elle évalue la stabilité des indicateurs par le biais d'un échantillonnage bootstrap(prélèvement aléatoire d'un pourcentage donné de l'échantillon sur l'ensemble de l'échantillon), ce qui ne permet pas de comprendre la dynamique de la stabilité des indicateurs, qui est à son tour importante pour le trading, car le modèle peut exister au début de l'échantillon, mais disparaître complètement à la fin de celui-ci.
Avez-vous des améliorations à apporter à cette méthode ?
Expérimenter la régression symbolique.....
Fondamentalement, des règles asociatives séquentielles sont mises en œuvre, mais au lieu d'éléments statiques, il s'agit de règles logiques. Cela donne plus de profondeur à l'algorithme, qui peut comprendre ses observations de manière beaucoup plus subtile. Ce concept permet de décrire n'importe quel type de régularité, car la complexité et le type de règles ne sont limités par rien.
Est-ce que je comprends bien qu'il s'agit du même tableau avec des prédicteurs, mais que les inégalités sont construites non seulement par les scores des prédicteurs, mais aussi par les inégalités des prédicteurs eux-mêmes entre eux ?
2) J'ai inventé et implémenté quelque chose comme le "one shot learning" tel que je le vois, maintenant je n'ai plus besoin de calculer l'historique complet pour apprendre quelque chose, ce n'est pas un savoir-faire cool, c'est plus un désespoir, parce que l'apprentissage sur l'historique complet n'est pas possible, du moins pas encore.
Par exemple, prendre un exemple, générer de nombreuses variantes de feuilles (motifs) constituées d'inégalités, puis les tester sur un échantillon plus large, celles qui donnent des résultats acceptables - les laisser, n'est-ce pas ?
Quelle est la beauté de l'algorithme ?
1) Il va en profondeur dans le motif, si je puis dire.
2) Il n'est pas lié à des indices et ne fonctionne pas avec des données tabulaires, il est donc résistant à la non-stationnarité, ainsi qu'aux règles asociatives.
Et c'est là que je ne comprends pas, si les données ne sont pas dans des tableaux, alors comment les alimenter pour qu'elles fonctionnent ?
1. N'importe quoi, la limite de la fantaisie
1. Vous pouvez être plus précis - ce qui pourrait être autre chose, par exemple.
2. Est-ce clair et à quelle vitesse ces règles sont-elles générées ? Il serait peut-être judicieux de les télécharger dans MQL5 et de les faire passer par l'historique - cela pourrait être plus rapide grâce aux agents. J'ai déjà fait quelque chose de similaire, que j'ai écrit il y a longtemps, mais j'ai pris des feuilles d'arbres génétiques.
3) Je ne comprends pas la réponse - ce que vous introduisez dans l'entrée - c'est la question.
Il y a une part de vérité dans cette explication, car il n'existe AUCUNE définition du concept de "GRAIL en trading", de sorte que nous puissions tous être d'accord avec cette définition.....
Et s'il n'y a pas de définition, alors le "cygne, l'écrevisse et le brochet" commence....