L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 533
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
oui, pourquoi pas bon ? Le MO est essentiellement une optimisation jusqu'à ce que l'IA soit inventée.
La génétique fait également partie de l'IA.
En outre, il existe une direction hybride plutôt prometteuse - les réseaux neuronaux évolutifs NEAT.
Les critères sont importants dans l'"optimisation". L'optimisation basée sur le profit maximum n'est pas un bon critère. Et il n'y a aucune raison de croire que cela fonctionnera d'une manière ou d'une autre à l'avenir, ce que nous voyons souvent dans la pratique, notamment sur le forum.
Pas nécessairement par le profit maximum, vous pouvez utiliser R^2 comme il a été récemment suggéré dans l'article ou autre chose, il y a des critères personnalisés. Le but n'est pas cela, mais de trouver des dépendances stables via opt. Ensuite, les meilleurs parcours sont choisis et analysés pour savoir pourquoi ils sont les meilleurs et quels éléments intéressants ont été trouvés.
En outre, il existe une direction hybride plutôt prometteuse - les réseaux neuronaux évolutifs NEAT.
quelque chose de nouveau de votre part, je vais aller chercher de l'aide sur Google :)
En outre, il existe une direction hybride plutôt prometteuse - les réseaux neuronaux évolutifs NEAT.
Vous avez exprimé ce que je pense, sans pouvoir formuler une pensée, depuis quelques mois.
NEAT
Le sujet en lui-même est intéressant, mais il n'a pas passé le test du forex. Il y a eu quelques articles à ce sujet dans le fil de discussion, et il existe même un paquet pour R -https://github.com/ahunteruk/RNeat.
NEAT en quelques mots - nous sélectionnons les poids des clés des neurones à l'aide d'un algorithme génétique au lieu d'une formation conventionnelle.
Par exemple, l'algorithme en action, le neuroneka est entraîné à jouer à un jeu de Mariohttps://www.youtube.com/watch?v=qv6UVOQ0F44.
Alors qu'avec la formation normale d'un réseau neuronal, vous pouvez interrompre la formation et vérifier l'overfit sur de nouvelles données pour arrêter la formation à temps, avec NEAT, cela ne fonctionnera pas, la génétique cherchera les poids qui correspondent le mieux à la fonction de fitness jusqu'à ce qu'elle atteigne sa limite, ce qui entraînera un fort overfit et un modèle inutile sur de nouvelles données.
Les tests sur des tiques réelles se font en temps réel. Et c'est dommage que vous ne l'utilisiez pas avec un testeur.
C'est étrange d'entendre cela, les "vrais ticks" ne sont pas dans le testeur MetaTrader, ils sont générés, mathématiquement cela ressemble à ouvrir/fermer sur (O+H+L+C)/4 de la prochaine bougie, avant laquelle le signal apparaît.
Le moins de cet échange (bittrex) - leur api n'a pas de fonctions pour obtenir les valeurs ohlc.
Eh bien non, ils le font. C'est juste que leur api 2.0 n'est toujours pas documentée, l'information se trouve quelque part dans les régions les plus reculées d'Internet(((
Exemple de requête candlc :bittrex.com/Api/v2.0/pub/market/GetTicks?marketName=BTC-ETH&tickInterval=day&_=1499127220008
Leurs chandeliers sont mauvais, ils ne les créent pas à partir de leur carnet d'ordres mais les agrègent d'une manière ou d'une autre à partir d'autres sources, les hauts et les bas peuvent être beaucoup plus forts que sur leurs graphiques, vous devez écrire les ticks dans tous les cas.Bien sûr que non, je le fais.
Je le fais vraiment, merci.
C'est étrange d'entendre ça, il n'y a pas de "vrais ticks" dans le testeur de metatrader, ils sont générés, mathématiquement c'est quelque chose comme l'ouverture/fermeture à (O+H+L+C)/4 de la prochaine bougie avant laquelle le signal s'est produit.
étrange d'entendre qu'il n'y a pas de vrais ticks dans le tether de metatrader, on sent l'optique de travailler avec la plateforme
Bonjour à tous ! !! Une question familière. COMMENT faire durer l'IA le plus longtemps possible sans sur-optimisation ???? Je vois personnellement deux réponses.
1. Améliorer la qualité des entrées, c'est-à-dire trouver une entrée qui sera à l'origine de la sortie. La tâche est extrêmement difficile et parfois irréalisable, car de tels intrants n'existent en principe pas dans la nature.
2. Prolongez la période de formation avec le niveau approprié de qualité du modèle. C'est l'approche que je pense que nous allons envisager......
En utilisant un comité de deux filets, on obtient trois états "Oui", "Non" et "Je ne sais pas" - lorsque deux filets regardent dans des directions différentes, c'est cet effet que nous allons essayer d'utiliser.
Dans un premier temps, j'entraîne le réseau sur 1000 enregistrements. En général, environ 60 % d'entre elles recevront l'état "Je ne sais pas". Ensuite, nous construisons un modèle de deuxième niveau où nous l'entraînons uniquement sur les états "Je ne sais pas". En outre, dans le deuxième niveau, environ 300 des 600 entrées seront indéfinies. C'est ça, les gars, on va utiliser le boosting. Je veux dire, il réapprend le réseau de façon répétée. J'ai pu atteindre le niveau 3. Cela nous a permis d'entraîner le modèle pendant environ trois mois sur la TF M15. Je dois admettre que la préparation des modèles a pris plus de deux jours, et ce n'est pas étonnant, étant donné que nous avons dû construire 6 modèles de signaux + 8 modèles de rebonds, mais tout ce temps est passé uniquement pour augmenter la capacité du TS jusqu'à un mois sans sur-optimisation et implication humaine.
Cette image montre la période de formation du TS. Le test a été effectué avec un seul lot, sans possibilité d'entrer avec des pauses. C'est-à-dire sans le modèle SENDING !
Faites attention à la "Rentabilité". Il ne doit pas être trop élevé, de 2 à 5... dans ces limites. Un niveau élevé de cet indicateur est un signe de surentraînement, à mon avis. Lorsque le NS a appris cette section.
Dans l'image suivante, j'ai connecté le modèle de pullback. C'est-à-dire que lorsqu'un signal apparaît, nous analysons s'il y aura un pullback et si "oui", nous plaçons un ordre en attente, si "non", nous entrons sur le marché. Ici, nous utilisons environ quatre investissements modèles dans le modèle et le résultat, comme nous pouvons le voir, est bien meilleur dans le paramètre "Rentabilité". En fait, cette méthode est destinée à rendre la courbe d'équilibre plus lisse et plus forte.
En règle générale, le nombre de transactions diminue, le bénéfice diminue et la rentabilité augmente.
Mais nous savons que les chiffres dans le domaine de la formation ne veulent rien dire et c'est vrai. Mais j'ai trouvé une réponse à une question très importante : "Comment puis-je estimer la qualité de la formation ? Comment puis-je savoir si votre modèle généralise bien le marché et s'il peut le faire ? La réponse s'est avérée être en surface et très simple. Vous avez besoin d'un autre intervalle de test !!!!!! Mais qu'est-ce que c'est ? ..... à ce sujet dans la suite....