L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2633

[Andrey Khatimlianskii]

Maxim Dmitrievsky #:

Téléchargez le robot depuis le marché, exécutez-le dans le testeur MT5, puis il y a une option pour sauvegarder le rapport avec toutes les transactions et autres informations.

Vous pouvez automatiser, y compris l'exécution du test et le téléchargement des transactions au format csv -https://www.mql5.com/ru/code/26132.

[Maxim Dmitrievsky]

mytarmailS #:

Sparked one gold strategy from the marketplace ;))

Courbe capitale dans mon testeur.

je l'ai jeté dans tslab pour avoir un meilleur look

On dirait qu'il y a une bonne correspondance.

J'ai regardé les métiers.

J'ai utilisé mon trader manuel et je ne comprends pas son algorithme de trading.

Forrest n'a certainement pas pu identifier quoi que ce soit, mais c'était intéressant et instructif ;)))

Vous devez donc lire quelle période et enseigner deux modèles. L'un pour les métiers, l'autre pour le timing. Ou multi-classe. Regardez la description du robot, il est peut-être mauvais et ne conviendra pas.

[Maxim Dmitrievsky]

Andrey Khatimlianskii #:

Peut être automatisé, y compris l'exécution d'un test et le téléchargement des transactions vers le csv -https://www.mql5.com/ru/code/26132

Oui, merci.

[Maxim Dmitrievsky]

Dmytryi Voitukhov #:

Cela pourrait être utile... J'ai un many-to-many sans récurrence. Et pas de couches de convolution. Et j'ai choisi ce modèle après avoir analysé le mécanisme de la neuronique. Nous cherchons un dénominateur commun ici, n'est-ce pas ? Argumenter.

Je ne suis pas sûr de ce que je dois argumenter.

[mytarmailS]

Aleksey Nikolayev #:

Merci, je vais jeter un coup d'oeil.

Pourtant, chez nous, l'ordre est important. Il est toujours possible, par exemple, d'obtenir SB en mélangeant les incréments de manière aléatoire.

Je me suis également souvenu que vous aviez déjà écrit ici sur l'extraction de motifs séquentiels et le problème de l'alignement des séquences. Il semble également que ce soit l'une des méthodes permettant de résoudre le problème. L'appartenance de séquences à une même classe ne signifie pas nécessairement qu'elles sont similaires.

apriori_cspade <- function(apri_supp=0.1,arpi_conf=0.1, liS , 
                             maxgap=NULL, maxlen=5,rhs=NULL,
                             apri_maxlen=2,apri_minlen=2,verbose=T,
                             redundant.rules = F, cspade_supp=0.5 , cspade_conf=0.5){
    
    
    
    library(arules)
    
    
    targ <- NULL
    if(!is.null(rhs))  {
      targ <- list(rhs=rhs, default="lhs")
      apri  <- apriori(liS, parameter=list(support=apri_supp, 
                                          confidence=arpi_conf,
                                          minlen=apri_minlen,
                                          maxlen=apri_maxlen), 
                                          appearance = targ,
                             control = list(verbose=verbose))
    }
   
    
    if(is.null(rhs)){
      apri <- apriori(liS, parameter=list(support=apri_supp, 
                                          confidence=arpi_conf, 
                                          target="rules",
                                          minlen=apri_minlen,
                                          maxlen=apri_maxlen),
                              control = list(verbose=verbose))
    }
    
    ar <- as(apri,"data.frame")
    ar <- as.character(ar$rules)
    ar <- gsub("[{}>]","" ,ar)
    ar <- unlist(stringr::str_split(ar ,pattern = "="))
    ar <- ar[!duplicated(ar)]
    ar <- stringr::str_trim(ar)
    for(i in 1:length(liS))   liS[[i]] <-  liS[[i]]  [ liS[[i]]  %in% ar ]
    
    
    
    liS <- liS[  unlist(lapply(liS ,function(x) length(x)>2 ))  ]
    
    
    if(  length(liS) <= 0 ) return(NULL)
    
    
    
    
    
    library(arulesSequences)
    cspade.form <- as.data.frame(matrix(ncol = 4,nrow = 0))
    for(i in 1:length(liS)){
      
      Q <- liS[[i]]
      cspade.form <- rbind(cspade.form,
                           cbind.data.frame( ID = rep(i,length(Q)),
                                             evID = 1:length(Q),
                                             SIZE = rep(1,length(Q)),
                                             ITEM = Q))}
    
    
    write.table(cspade.form , file = "D:\\R2\\arulesSeq\\seq\\temp.txt",
                append = F,sep = ",",row.names = F,col.names = F)
    
    x <- read_baskets(con = "D:\\R2\\arulesSeq\\seq\\temp.txt",sep = ",",
                      info = c("sequenceID","eventID","SIZE"))
    
    mod <- cspade(x, parameter=list(support = cspade_supp,
                                    maxlen = maxlen,
                                    maxgap=maxgap),
                                  control=list(verbose = verbose))
    gc(reset = T,verbose = F)
    
    rules <- ruleInduction(mod, confidence = cspade_conf, control=list(verbose = verbose))
    if(redundant.rules) rules <- rules[!is.redundant(rules)]
    
    final <- as(rules,"data.frame")
    
    #  parse rules
    R <- final$rule
    R <- gsub( "[\"<>{}]","",R)
    R <- stringr::str_split(gsub("=",",",R) , pattern = ",")
    R <- lapply(R,trimws)
    
    li <- list(rules=final, parse.rules=R)
    
    return(li)}

données

set.seed(123)
>  li <- list()
>  for(i in 1:100){
+    li <- append(li,  
+                 list(c(letters[sample(1:10,sample(5:10,1))] ,   sample(c("buy","sell"),1)))
+    )}
>  
>  head(li)
[[1]]
[1] "c"    "b"    "f"    "j"    "e"    "d"    "i"    "sell"

[[2]]
[1] "j"    "e"    "c"    "h"    "a"    "sell"

[[3]]
[1] "i"   "c"   "h"   "b"   "g"   "buy"

[[4]]
 [1] "c"   "d"   "f"   "a"   "j"   "e"   "i"   "h"   "b"   "g"   "buy"

nous exécutons la fonction et recherchons les séquences qui mènent à nos marques

ac <- apriori_cspade(liS = li,apri_supp = 0.1,
                      arpi_conf = 0.5,
                      rhs = c("buy","sell"),cspade_supp = 0.1,redundant.rules = T)

 ac
$rules
                                rule support confidence      lift
29          <{"a"},{"f"}> => <{"j"}>    0.10  0.5000000 0.7246377
56          <{"b"},{"f"}> => <{"i"}>    0.12  0.6000000 0.8333333
80          <{"e"},{"a"}> => <{"h"}>    0.14  0.5000000 0.6666667
98          <{"i"},{"e"}> => <{"g"}>    0.11  0.5000000 0.6329114
149         <{"b"},{"e"}> => <{"d"}>    0.11  0.5789474 0.7617729
168             <{"a"}> => <{"buy"}>    0.45  0.6081081 1.0484623
169             <{"b"}> => <{"buy"}>    0.44  0.6027397 1.0392064
170             <{"c"}> => <{"buy"}>    0.47  0.6103896 1.0523959
171             <{"d"}> => <{"buy"}>    0.46  0.6052632 1.0435572
172             <{"e"}> => <{"buy"}>    0.38  0.5757576 0.9926855
173             <{"f"}> => <{"buy"}>    0.42  0.6000000 1.0344828
174             <{"g"}> => <{"buy"}>    0.47  0.5949367 1.0257529
175             <{"h"}> => <{"buy"}>    0.43  0.5733333 0.9885057
176             <{"i"}> => <{"buy"}>    0.41  0.5694444 0.9818008
177             <{"j"}> => <{"buy"}>    0.45  0.6521739 1.1244378
178       <{"j"},{"i"}> => <{"buy"}>    0.17  0.6800000 1.1724138
182       <{"j"},{"g"}> => <{"buy"}>    0.18  0.6923077 1.1936340
183       <{"g"},{"j"}> => <{"buy"}>    0.18  0.6666667 1.1494253
184       <{"j"},{"f"}> => <{"buy"}>    0.14  0.7000000 1.2068966
185       <{"f"},{"j"}> => <{"buy"}>    0.21  0.7000000 1.2068966
187       <{"e"},{"j"}> => <{"buy"}>    0.17  0.7083333 1.2212644
189       <{"d"},{"j"}> => <{"buy"}>    0.23  0.7666667 1.3218391
191       <{"c"},{"j"}> => <{"buy"}>    0.25  0.7142857 1.2315271
192       <{"j"},{"b"}> => <{"buy"}>    0.16  0.6666667 1.1494253
194       <{"j"},{"a"}> => <{"buy"}>    0.14  0.6666667 1.1494253
195       <{"a"},{"j"}> => <{"buy"}>    0.22  0.7333333 1.2643678
196 <{"g"},{"c"},{"j"}> => <{"buy"}>    0.10  1.0000000 1.7241379
197       <{"i"},{"h"}> => <{"buy"}>    0.17  0.5862069 1.0107015
198       <{"h"},{"i"}> => <{"buy"}>    0.17  0.6071429 1.0467980
204       <{"e"},{"i"}> => <{"buy"}>    0.17  0.6538462 1.1273210
207       <{"i"},{"c"}> => <{"buy"}>    0.16  0.6956522 1.1994003
210       <{"b"},{"i"}> => <{"buy"}>    0.20  0.7692308 1.3262599
212       <{"a"},{"i"}> => <{"buy"}>    0.15  0.7142857 1.2315271
213 <{"c"},{"f"},{"i"}> => <{"buy"}>    0.10  0.6666667 1.1494253

La fonction est "sale", mais elle fonctionne, changez les chemins dans la fonction pour vos propres besoins et installez les paquets corrects.

Mais il faut savoir que les algorithmes qui recherchent des "séquences éparses" de ce type sont très voraces, la recherche est énorme, malgré le fait que l'algorithme lui-même effectue une recherche efficace et qu'il soit écrit en C++.

[Aleksey Nikolayev]

mytarmailS #:

données

exécuter la fonction et rechercher les séquences qui mènent à nos étiquettes

La fonction est "sale", je l'ai écrite pour moi-même, mais elle fonctionne, changez les chemins dans la fonction pour vous-même et installez les paquets corrects.

Mais vous devez savoir que les algorithmes qui recherchent des "séquences éparses" de ce type sont très voraces, la recherche est énorme, malgré le fait que l'algorithme lui-même effectue une recherche efficace et qu'il soit écrit en C++.

Merci, je vais réfléchir à la manière de l'ajouter à mes problèmes.

[mytarmailS]

Aleksey Nikolayev #:

Merci, je vais réfléchir à la manière de le joindre à mes tâches.

Si vous avez des questions, n'hésitez pas à les poser. J'ai passé beaucoup de temps sur cette approche, donc je suis plus ou moins au courant, en fait je pense que cette approche est la plus prometteuse.

[Mikhail Mishanin]

Une seule approche ou les deux ?

https://habr.com/ru/post/661457/

[Uladzimir Izerski]

Mikhail Mishanin #:

Une seule approche ou les deux ?

https://habr.com/ru/post/661457/

Il est rare de voir une telle révélation. Mais c'est la bonne approche du marché.

[Aleksey Nikolayev]

Mikhail Mishanin #:

Une seule approche ou les deux ?

https://habr.com/ru/post/661457/

A mon avis, une combinaison harmonieuse des deux approches, en tenant compte des spécificités de nos objectifs. Les signes doivent "saisir" la "physique" du marché, et les modèles doivent être construits pour augmenter les profits (plutôt que la probabilité d'avoir raison, par exemple).