L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 2174
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
Ouaip...
Le sujet s'améliore de jour en jour.
Et il semblerait que ce soit simple. Il y a le coryphée de MO ici, mais pratiquement aucun sorcier qui puisse suggérer quelques caractéristiques magiques (n'est-ce pas ?) qui auraient un pouvoir prédictif. Prouvant théoriquement que ce sont de superbes chips, bien sûr...
Ainsi, il a déjà été dit, pas par moi, mais par tout le monde, que le modèle le plus simple pour la prédiction est le signe du prochain retour d'un processus stationnaire avec un ACF non nul.
Nous avons de la chance avec ACF - sur le marché, quoi que nous fassions avec les cotations, elles sont toujours non nulles et cela donne beaucoup d'espoir à ceux qui souffrent.
Mais où est la stationnarité et comment peut-on prédire le signe du prochain incrément s'il peut être carrément = 0 ?
Ahem... J'ai déjà montré plusieurs fois un passage du livre de la Genèse. Je vais le montrer à nouveau :
"... c'est élémentaire, la distribution stationnaire est obtenue en écrivant des barres avec un nombre égal de ticks.
dans ce cas la distribution des intervalles de temps entre OPEN de telles barres est exponentielle :
, et la distribution des incréments est doublement triangulaire :
Maintenant, avec une telle distribution des rendements, prédire le signe du prochain ne semble pas être une tâche si impossible.
Ahem...
C'est juste que les conditions sont raides.
La commission est de 6 fois le spread.
Tous les systèmes n'y fonctionnent pas.
;)))
Ok, donc Ewa
je le ferai tourner sur au moins des centimes pour ne pas chier sur le marché, disons ;)))
mais vous pouvez le faire sur la démo, je m'en fiche.
cela signifie un tel résultat à cause du commissaire, l'écart est faible.
Merci beaucoup ! J'ai essayé d'utiliser les principes de l'auto-codage avec des réseaux neuronaux simples à réseau complet, mais sans grand succès). Je devrais peut-être reconsidérer l'expérience))))
Où se trouve le code, car il est référencé et je ne sais pas où chercher l'implémentation.
Où se trouve le code, car il est référencé, mais on ne sait pas où chercher l'implémentation.
Mais il y a quelque chose là-dedans.
https://github.com/0b01/recurrent-autoencoder
On dirait que tu as bu quelques bières, mon frère. Et la bière est mauvaise pour vos centres de réflexion.
1. Tu n'es pas mon frère.
2. Je n'ai pas bu de bière - si tu es un buveur d'alcool, va chercher du cognac pour tes centres d'intérêt. Hee hee
Il y a quand même quelque chose.
https://github.com/0b01/recurrent-autoencoder
il existe un bon paquet de variations, je veux l'utiliser. C'est au dessus de PyToch
https://pyro.ai/examples/index.html#
Jusqu'à 4 tiques suffisent ? OHLC ?
J'ai déjà répondu - un certain Demco formait des barres àtick égal (100 ticks par barre selon Alpari) et travaillait avec les prix OPEN de ces barres.
En fait, l'écoulement initial est aminci et on obtient l'écoulement le plus simple avec une distribution d'incréments aussi inhabituelle. M. Demko l'a qualifié de "géniteur" des processus de marché.
J'ai personnellement vérifié ses données - en effet, un processus stationnaire est obtenu sur de tels incréments.
Question : pourquoi ne pas prendre ces incréments, étudier les réseaux neuronaux et prendre le Saint Graal en secret?
La réponse est : je ne sais pas. J'ai une sorte de TS qui fonctionne, et je laisse cette option pour plus tard...
Tout de même, mais passe le test de 2017.
Terrain surélevé, 3,5k% sur 3 ans. Dégradation maximale du solde de 10%, absolue de 23%. Z.I. Tu peux faire encore mieux. Le code source Python sera dans l'article.
Profitez de
Bomb !
L'ajout compétent de la propagation aux panneaux devrait encore l'améliorer. Je m'en occuperai dans la semaine.