L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 3247
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 la même chose qu'avec un échange, sauf qu'il y a moins d'échanges.
Pas Martin donc, félicitations !
Pas Marty alors, félicitations !
Il serait étrange qu'aucun modèle ne soit trouvé et qu'aucun CT ne fonctionne.
Je dis simplement que c'est ce que vous pouvez rechercher.
Je dis simplement que c'est ainsi que l'on peut se présenter aussi.
Je n'ai pas vu de méthodologie, juste un graphique.
Je n'ai pas vu de méthodologie, juste un graphique.
Matrice de corrélation entre les lignes d'attributs donnés, puis les lignes les plus corrélées sont sélectionnées, un graphique de n prix de clôture est construit pour chaque ligne pour voir comment il était dans le futur, des statistiques sur toutes les lignes sont prises, comment il était dans le futur en moyenne, tous les modèles sont filtrés en fonction de ces statistiques, les meilleurs sont sélectionnés.
La référence du modèle est sauvegardée, dans le testeur nous recherchons la corrélation des valeurs actuelles avec la référence, nous ouvrons des transactions selon la logique sélectionnée.jusqu'à présent, je n'ai pas réussi à battre les résultats de MO
Je ne comprends pas ce que la corrélation vient faire là-dedans ? Je pense qu'il suffit de prendre une chaîne de caractères à partir de zéro et de regarder son comportement sur l'intervalle d'exploitation.
Bravo ! Il s'avère qu'il ne s'agit plus de MO, mais d'une surenchère complète sans aucune trace de blackbox. J'aime bien.
La longueur de la chaîne ? À en juger par l'animation, la longueur est quatre des dix valeurs possibles.
Je ne comprends pas du tout ce que la corrélation vient faire là-dedans. Il semble qu'il suffise de prendre une chaîne de caractères à partir de zéro et de voir son comportement dans le futur.
L'exemple du testeur avait une longueur de 9 (incréments de différentes périodes).
Différentes périodes dans un tableau 1D, empilées dans une courbe, vous permettent d'insérer différents signes dans une séquence, ce qui vous permet de rechercher un modèle par corrélation, et non par MO.
J'essaie d'en utiliser d'autres, je n'ai pas encore la vitesse de l'éclair suffisante pour tout compter très vite, je vais essayer d'accélérer davantage.
Dans l'optimiseur, on peut en prendre un, puis un autre... et faire la course comme ça. Mais je le fais en python et je calcule la corrélation pour toutes les paires possibles en même temps, puis je choisis parmi elles.
La chose la plus importante ici est la vitessedifférentes périodes dans un tableau 1D, ajoutées à une courbe, permettent de regrouper différentes caractéristiques dans une séquence, ce qui permet de rechercher un modèle par corrélation.
Je ne comprends pas.
J'en essaie plusieurs, mais je ne suis pas encore assez rapide pour tout compter très vite, je vais essayer d'accélérer encore un peu.
Je n'ai pas compris.
Supposons qu'il y ait plusieurs indicateurs, vous pouvez écrire leurs valeurs dans un tableau 1d de manière séquentielle. Et les comparer à d'autres indicateurs similaires par le biais de la corrélation.
Supposons qu'il y ait plusieurs indicateurs, vous pouvez écrire leurs valeurs dans un tableau 1d de manière séquentielle. Et les comparer à d'autres indicateurs similaires par le biais de la corrélation.
Il est alors nécessaire de ramener les indicateurs à des perroquets uniformes. Même si l'indicateur est incrémenté à différents intervalles, la corrélation sera étrange.
Pour ma part, je déplacerais une fenêtre dans un tableau 1d et j'examinerais le nombre d'échantillons en fonction de tout signe de "similarité". Plus précisément, ce n'est même pas le nombre, mais le "profit" total de ces places (entrée par motif, sortie en n heures).
Seul le nombre d'échantillons trouvés sur l'animation est déroutant : plusieurs centaines. En quatre ans, il n'y a que 4*365*5/7*24~25000 échantillons. Trouver 500 échantillons parmi 25K est soit un modèle très grossier (ou un signe de similarité), soit une sorte de répétitivité hors norme (avec une hypothèse de régularité).