Discussion de l'article "Développement d'un robot en Python et MQL5 (Partie 1) : Pré-traitement des données" - page 3
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
Le prix doit alors être pseudo-stationnaire. Ce phénomène n'est pas observé sur les marchés à tendance.
D'accord, prévoyons les incréments. Prenons ensuite les incréments d'incréments. Sont-ils pseudo-stationnaires ?
Cependant, si nous avons appris à prévoir les augmentations, cela signifie-t-il que nous avons appris à prévoir leur dérivé - le prix ?
Je suis un zéro en MO, donc je me fie à l'article.
Si je comprends bien, un automate est un champ plus large de choix humains. Si un humain peut choisir un montant cumulatif, un automate le peut encore plus.
Le fait est que toutes les caractéristiques introduites dans le modèle doivent être pseudo-stationnaires, sinon le modèle ne fonctionnera pas correctement sur de nouvelles données. Il s'agit d'une limitation du classificateur.
Les données doivent être représentées par un rang de valeurs qui persiste sur les nouvelles données. Si cette condition n'est pas remplie, le modèle s'en tiendra aux valeurs limites lorsqu'il quittera cette plage.
Par exemple, prédire toujours 0 ou toujours 1.D'accord, prévoyons les incréments. Prenons ensuite les incréments des incréments. Sont-ils pseudo-stationnaires ?
Cependant, si nous avons appris à prédire les augmentations, cela signifie-t-il que nous avons appris à prédire leur dérivée - le prix ?
Oui
les données doivent être représentées dans une plage de valeurs, qui est sauvegardée sur les nouvelles données. Si cette condition n'est pas remplie, le modèle s'en tiendra aux valeurs limites lorsqu'il dépassera cette plage.
C'est-à-dire que ces signes doivent être rejetés de toute évidence ?
Parce qu'ils peuvent facilement atteindre des valeurs en dehors de l'intervalle d'apprentissage.
Ces panneaux sont donc censés être jetés ?
Parce qu'ils peuvent facilement atteindre des valeurs en dehors de l'intervalle d'entraînement.
Oui, ils ne peuvent pas être utilisés, tout comme les prix d'ouverture.
En fait, on ne peut pas. Techniquement, c'est possible, mais il y a un risque de blocage du modèle sur de nouvelles données.
Si vous avez la certitude qu'ils ne sortiront pas de leur intervalle dans un avenir proche, alors vous pouvez le faire.
Si l'on peut espérer qu'ils ne sortiront pas de leur gamme dans un avenir proche, vous pouvez le faire.
L'or et les crypto-monnaies ne sont pas adaptés à cette situation.
L'apprentissage par classification réalise que les caractéristiques prix, rendements^1, rendements^2, ... sont identiques - il existe une relation sans ambiguïté entre elles, et qu'un seul attribut doit donc être supprimé de cette liste ?
Ce n'est pas la même chose, il y a encore une différence. La solution dépendra du nombre total d'attributs. S'il est trop important, il peut être nettoyé. Dans le cas contraire, vous pouvez le laisser sans problème. En outre, ils sont légèrement différents (incréments avec des retards différents) et peuvent fournir des informations supplémentaires utiles au modèle.
Le prix est supprimé pour la raison mentionnée ci-dessus.L'or et les crypto-monnaies n'entrent pas dans cette catégorie.
Il n'y a pas grand-chose qui colle, et tous les signes indiquent au moins une tendance à la baisse.
Il semble que le MO soit positionné comme un être (méga-humain) doté de capacités informatiques et d'une mémoire exceptionnelles.
Quels signes une personne ordinaire utilise-t-elle pour créer un CT ? Je n'ai jamais vu une personne regarder un graphique d'incréments et essayer de le prédire.