Que mettre à l'entrée du réseau neuronal ? Vos idées... - page 85
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
Quel est le montant de votre pension ? Je me suis récemment rendu à Gosuservices, et à ce jour, j'ai calculé 17 tonnes. Et c'est encore dans 5 ans, grâce à notre chef, qui ne ment jamais, jamais, jamais ! Enfin, quand il dort, il ne ment certainement pas ))) On peut donc espérer une longueur d'avance.
Quel est le montant de votre pension ? Je me suis récemment rendu à Gosuservices, et à ce jour, j'ai calculé 17 tonnes. Et c'est encore dans 5 ans, grâce à notre chef, qui ne ment jamais, jamais, jamais ! Enfin, quand il dort, il ne ment certainement pas ))) On espère donc avoir une longueur d'avance.
Bonjour, le fumeur est vivant, oui, ce notre, pension ils là tordent comme ils veulent, n'acceptent aucune confirmation même avec des timbres, ont assisté accidentellement à leurs conversations ... considèrent en leur faveur chaque entaille ou écriture incorrecte dans le carnet de travail ou dans la paie, il y a une telle bureaucratie sourde qu'il vaut mieux aller directement au tribunal, et s'il n'y a pas de déductions sur la pension, ils ne parlent pas du tout.
Quel est le montant de votre pension ?
Les gens prennent maintenant la partie capitalisée de leur pension. Mais cet argent a été épargné pour l'État, pas pour les citoyens. Pendant 10 ans, l'État a utilisé cet argent gratuitement.
regardez à nouveau si vous alimentez la différence de prix ou d'incréments - ce qui sera mieux que les totaux ou non ?
Je me pencherai sur la question plus tard... (pendant que d'autres projets sont en cours) à mon avis, dans cette approche, les totaux seront corrects s'ils sont corrects à soumettre.... )
quelque part sur le forum a mis un conseiller sur Mashka, ce qui a rendu le chat GPT
le plus intéressant est que le code analyse le МАшка aussi bien dans le sens de l'augmentation du nombre de barres que dans celui de sa diminution.
Bien sûr, je n'ai pas essayé d'appliquer cela en pratique en raison des fiasco répétés lors de l'utilisation d'indicateurs, mais je pense qu'il y a quelque chose à en tirer.
---
TC a posé une question sur le thème du trading sur MN1
Je pense que l'idée d'un tel trading en raison du décalage décent des indicateurs reviendra finalement à analyser la situation économique plutôt que le graphique.
Bonjour, fumeur vivant, oui, c'est notre, pension ils y tordent comme ils veulent, ils n'acceptent aucune confirmation même avec des timbres, accidentellement témoin de leurs conversations... considèrent en leur faveur chaque entaille ou écriture incorrecte dans le carnet de travail ou dans la paie, il y a une telle bureaucratie sourde qu'il vaut mieux aller directement au tribunal, et s'il n'y a pas de déductions sur la pension, ils ne parlent pas du tout.
Énoncé du problème :
Il existe une stratégie de trading de base (TS). Elle donne des signaux, nous négocions, nous obtenons une courbe de rendement.
.
Pour chaque signal, nous savons
L'intérêt : nous transmettons toutes ces informations au réseau neuronal. Cela lui permet d'obtenir davantage de contexte. Par exemple, il peut remarquer : "Une série de transactions où nous avons réalisé un petit profit, mais où la volatilité était en baisse - cela signifie que le marché est à la hausse et qu'il vaut mieux ne pas négocier".
Que peut-on hypothétiquement extraire d'une séquence de transactions ?Aucune donnée de marché (prix, indicateurs, volumes) n'est introduite dans le réseau neuronal. Un réseau neuronal formé uniquement sur la séquence de ces résultats peut-il apprendre à filtrer les signaux (sauter uniquement ceux qui sont les plus susceptibles d'être rentables) ou même prédire la direction de la prochaine transaction ? Il s'agit là d'une question ouverte.
Effet de série : de nombreuses stratégies ont tendance à "surchauffer" ou à "se refroidir" après une série de succès/échecs. Par exemple, après trois transactions perdantes consécutives, la probabilité d'une transaction rentable peut augmenter (en raison d'un retour à la moyenne) ou, au contraire, diminuer (si la stratégie s'est effondrée sur le marché actuel).
Dépendance temporelle : si les transactions sont basées sur le temps, vous pouvez détecter des schémas intrajournaliers ou intrahebdomadaires : par exemple, une stratégie est souvent déficitaire le lundi et bénéficiaire le mercredi. Le réseau sera en mesure de l'apprendre.
Volatilité des résultats : l'ampleur des gains et des pertes peut également être regroupée : les périodes de forte volatilité (mouvements importants) sont suivies de périodes de calme. Le réseau peut apprendre à prédire non seulement le signe mais aussi l'ampleur approximative du résultat.
Modèles comportementaux : si une stratégie contient des éléments sensibles à l'état du compte (par exemple, une martingale), la séquence des résultats contiendra des informations sur cet état.
Piège de la distribution des données :
Nous devons entraîner le modèle sur l'historique non filtré des transactions de la stratégie sous-jacente. Si nous entraînons le réseau sur des données qui ont déjà été filtrées une fois, le problème du biais de distribution après le filtrage apparaîtra. Supposons que nous ayons formé le réseau neuronal sur tous les signaux de la stratégie (y compris les signaux de perte). Après la formation, nous commençons à l'utiliser dans le cadre d'opérations réelles : certains signaux sont alors rejetés. Seules les opérations que le filtre n'a pas détectées sont incluses dans le portefeuille. Par conséquent, l'historique des résultats réels, que nous voyons à l'entrée du filtre à l'instant suivant, n'est pas constitué de tous les signaux, mais seulement de ceux qui ont été filtrés. La distribution de cet historique "réel" peut différer de l'échantillon d'entraînement. Par exemple, si le filtre filtre bien les pertes, il y aura peu de transactions perdantes dans l'historique réel, et la fenêtre d'entrée pour la prévision consistera principalement en bénéfices. Un modèle formé sur un mélange de profits et de pertes peut mal interpréter une telle fenêtre "biaisée".
Par conséquent, pour que le système soit correct, nous devons distinguer deux concepts : "Compte réel" et "Suivi virtuel".
Schéma succinct :
Mode arrière-plan (mode ombre) : même si le réseau neuronal filtre déjà les transactions, une copie "ombre" de la stratégie de base doit toujours être en cours d'exécution.
Entrée du réseau neuronal : les résultats du journal virtuel (données brutes du TS sous-jacent), et non ceux du compte réel, sont transmis à l'entrée du réseau neuronal.
Sortie du réseau neuronal : en examinant l'état de la courbe de rendement brute, le réseau neuronal décide : "Maintenant que la stratégie de base est entrée dans la bande des échecs (ou des succès), nous sautons (ou retournons) la transaction sur le compte réel".
L'intérêt : nous transmettons toutes ces informations au réseau neuronal. Cela lui permet d'obtenir davantage de contexte. Par exemple, il peut remarquer : "Une série de transactions où nous avons réalisé un petit profit, mais où la volatilité était en baisse - cela signifie que le marché est à la hausse et qu'il vaut mieux ne pas négocier".
Aucune donnée de marché (prix, indicateurs, volumes) n'est introduite dans le réseau neuronal. Un réseau neuronal formé uniquement sur la séquence de ces résultats peut-il apprendre à filtrer les signaux (sauter uniquement ceux qui sont les plus susceptibles d'être rentables) ou même prédire la direction de la prochaine transaction ?
Bien sûr , mais tout cela vient de l'avenir. Il s'agira d'un simple coup d'œil. Il est nécessaire d'apprendre uniquement sur ce qui est connu avant le moment d'ouvrir une transaction. Dans le commerce réel, où trouver ces paramètres?
Je suis d'accord avec tout ce qui est écrit ci-dessous.
Bien sûr , mais tout cela vient du futur. C'est de l'observation pure et simple. Il est nécessaire d'apprendre uniquement sur ce qui est connu avant le moment de l'ouverture d'une transaction. Dans le commerce réel, d'où viennent ces paramètres?
Je suis d'accord avec tout ce qui est écrit ci-dessous.
Supposons que nous tradions en ligne avec un modèle entraîné. La stratégie de base donne un signal d'entrée - nous collectons les dernières statistiques sur cette stratégie de base (la dernière transaction ou plusieurs transactions - ce sera l'information pour le réseau neuronal).
De plus, notre réseau neuronal, disons, refuse d'ouvrir une transaction - nous l'ignorons. Mais pour le TS de base, nous enregistrons le résultat de la transaction en cours (lorsqu'elle est clôturée). Dans le signal suivant, nous utilisons ce résultat comme seule entrée ou comme entrée composite (à partir de plusieurs transactions) pour notre réseau neuronal.