L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 106
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Interpretazione SELL BUY
-1 0 vendere
0 0 recinto
0 1 comprare
-1 1 recinto
Ecco la tabella degli interruttori. Si può vedere da esso che i segnali sorgono quando i segnali della griglia sono presenti e non si contraddicono tra loro.
Grazie! Quindi, come nel mio classificatore ternario - incoerenza di due classificatori binari - sedersi sulla barricata.
Si scopre che siamo arrivati alla stessa soluzione in parallelo: un ternario può essere assemblato da due classificatori binari. Questo è più facile da implementare di un ternario a tre uscite, perché con un ternario a tre uscite non è chiaro come interpretare le differenze, perché tutte le uscite devono essere mutuamente esclusive, e in effetti questo non sempre accade.
E anche le nostre conclusioni sono le stesse: un ternario di due binari ha una generalizzabilità maggiore dei singoli binari.
Grazie! Quindi, come il mio classificatore ternario - l'incoerenza dei due classificatori binari è seduta sul recinto.
Si scopre che siamo arrivati alla stessa soluzione in parallelo: un ternario può essere assemblato da due classificatori binari. Questo è più facile da implementare di un ternario a tre uscite, perché con un ternario a tre uscite non è chiaro come interpretare i disaccordi, poiché tutte le uscite devono essere mutuamente esclusive, il che in effetti non è sempre il caso.
In realtà, aggiungere due classi binarie a un ternario non equivale a un ternario.
Quando si aggiunge una terza classe si ottiene come una contraddizione di due classi. E se il ternario originale? Per esempio, in termini di uno zigzag, che aspetto ha? Il fuori mercato è un lato dello zigzag? Cioè una variabile obiettivo completamente diversa dalla vostra.
Con queste spiegazioni sembra plausibile. E quanto sono rari i modelli che scambiate? Diciamo che se ci sono esempi di formazione con classi"aprire posizione di acquisto" e "chiudere tutti i trade", quale sarebbe il rapporto percentuale di queste classi? Supponiamo che la classe di acquisto corrisponda a un forte movimento di prezzo verso l'alto di centinaia di punti, cioè la quantità di classe di acquisto è circa il 10% di tutti gli esempi di allenamento?
Non applico segnali di "chiusura". Neuronics sa solo come entrare nel mercato, mentre il sistema di trading decide come uscire. Questo è meglio che applicare questo stesso TS ai segnali casuali in generale.
Nel quarto forum ho scritto in precedenza che sono profondamente convinto che per neuronkey e simili sistemi di apprendimento automatico solo i TS con azione limitata nel tempo dei segnali di trading sono abbastanza buoni. Inizialmente, ci sono contraddizioni insormontabili per i neuroni (comprare o vendere con l'aspettativa di un futuro infinito allo stesso modo e senza vantaggio l'uno sull'altro), quindi per i neuroni non permetto di decidere quando chiudere gli scambi.
Non applico segnali di "chiusura". I neuroni sanno solo come entrare nel mercato, mentre il sistema di trading decide come uscire. Questo è meglio che applicare questo stesso TS ai segnali casuali in generale.
Nel quarto forum ho scritto in precedenza che sono profondamente convinto che per neuronkey e simili sistemi di apprendimento automatico solo i TS con azione limitata nel tempo dei segnali di trading sono abbastanza buoni. Inizialmente, ci sono contraddizioni insormontabili per i neuroni (comprare o vendere con l'aspettativa di un futuro infinito allo stesso modo e senza vantaggio l'uno sull'altro), quindi per i neuroni non permetto di decidere quando chiudere gli scambi.
Il tuo post mi ha reso felice.
Ho predicato qui che considerare gli algoritmi di apprendimento automatico al di fuori di un sistema di trading è un esercizio vuoto. Sei il primo a fare lo stesso punto.
Devi ballare dal sistema di trading e usare modelli di apprendimento automatico per cercare di migliorare i parametri del sistema di trading REALE. Ho inserito rf e ridotto il drawdown. In effetti il vero TS ha molte più caratteristiche della compravendita.
1) C'è una rete che può essere addestrata se riceve dati che non le erano noti in precedenza. Potresti essere interessato a leggerlo. La rete si chiama SOINNhttps://www.google.com.ua/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=soinn
2) Sono stanco di scriverne, inoltre ho praticamente dimostrato che il mercato va contro le sue stesse statistiche e ho anche spiegato la meccanica, perché succede e tutti gli studi in forma classica non possono essere applicati ad esso, ma nessuno è interessato, tutti fanno lo stesso.
1. Grazie, lo leggerò. vedi p2.
2. il problema dei pattern che cambiano nel tempo non è risolvibile, secondo me, nemmeno con il Pre-Learning, perché non solo bisogna aggiungere nuovi pattern alla base di conoscenza, ma bisogna trovare quelli che sono cambiati e se sono cambiati del tutto... Questo è un compito molto difficile e apparentemente insormontabile. È una sezione dell'IA, del pensiero, dell'intelligenza, è come imparare la tavola della moltiplicazione ed essere in grado di applicare la matematica a tutti i compiti, anche quelli nuovi non convenzionali e non familiari. È una sezione di pensiero capace di fare scoperte, cioè capace di generare autonomamente informazioni e conoscenze utili. Ma, le applicazioni intelligenti della neuronica non sono proibite e sono possibili, naturalmente: penso che sia semplicemente dalla sezione della statistica e del calcolo delle probabilità, la statistica per ricordare, e la probabilità per fare il backup. Una combinazione vincente di statistica e calcolo delle probabilità darebbe mo più diffusione, forse anche essere, almeno tutte le speranze sono solo per quello.
Il tuo post mi ha reso felice.
Ho predicato qui che considerare gli algoritmi di apprendimento automatico al di fuori della cornice di un sistema di trading è un esercizio vuoto. Lei è il primo a fare un'osservazione simile.
Devi ballare dal sistema di trading e usare modelli di apprendimento automatico per cercare di migliorare i parametri del sistema di trading REALE. Ho inserito rf e ridotto il drawdown. Infatti il vero TS ha molte più caratteristiche che comprare/vendere.
Felice di essere contento, abbastanza.
Sorpreso che l'apprendimento automatico possa essere considerato da chiunque in isolamento da qualsiasi TS particolare...
Per il forex è anche possibile, ma ci vuole lo stesso sforzo.
Sì, ma non sulla configurazione dei neuroni.
Grazie! Quindi, come il mio classificatore ternario - l'incoerenza dei due classificatori binari è seduta sul recinto.
Si scopre che siamo arrivati alla stessa soluzione in parallelo: un ternario può essere assemblato da due classificatori binari. Questo è più facile da implementare di un ternario a tre uscite, perché con un ternario a tre uscite non è chiaro come interpretare le differenze, perché tutte le uscite devono essere mutuamente esclusive, e in effetti questo non sempre accade.
Non c'è di che).
Beh, sì. Un semplice ternario non ha quel meraviglioso effetto di ridurre il numero di trade mentre riduce il riconoscimento del mercato (a parte la difficoltà di interpretare i segnali). Ma è attraverso il ternarnik che sono arrivato a questo punto (ho riconosciuto verbalmente la parola qui).
2. il problema dei modelli che cambiano nel tempo non è risolvibile, secondo me, nemmeno con il Pre-Learning, perché non solo dobbiamo aggiungere nuovi modelli alla base di conoscenza, ma dobbiamo trovare quelli che sono cambiati e se sono cambiati del tutto...
La questione del preapprendimento è ben illustrata in
Esempio.
Adattamento di un modello su un campione di 5000 barre. Il modello stesso fornisce un grafico che mostra come l'errore cambia al crescere del numero di alberi, e l'albero è il modello. Sui miei predittori è possibile utilizzare 100 alberi. Prendo 300 per fare l'errore completamente dritto. Inizio l'adattamento (non l'applicazione) su un campione di 20.000 barre. La cosa sorprendente è che il grafico degli errori non è cambiato! Il numero di alberi è rimasto lo stesso. Cioè le varianti del modello erano già esaurite alle prime 5000 barre.
Ma la cosa più sgradevole è che questo non risolve il problema. E il problema è quello del retraining del modello, cioè si tolgono alcuni particolari e si costruiscono alberi su di essi.
Qual è il problema?
Il problema sono i predittori, non il modello.
So come misurare il potere predittivo dei predittori. Quindi non solo devo scartare i predittori che non hanno capacità predittiva (predittori di rumore), ma la capacità predittiva deve essere stazionaria. Non sono stato in grado di trovare tali predittori. E il problema rimane.
Non c'è di che).
Ebbene sì. Un semplice ternario non ha il meraviglioso effetto di ridurre il numero di trade e allo stesso tempo di ridurre il riconoscimento del mercato (a parte la difficoltà di interpretare i segnali). Ma è attraverso il ternario che sono arrivato a questo punto (ho riconosciuto verbalmente la parola qui).
Ternario significa che può assumere tre stati che si escludono a vicenda. Un altro nome è ternario.
Una griglia con tre uscite, ciascuna binaria, può produrre 8 stati mutuamente esclusivi di cui solo tre sono interpretati in modo univoco come ternari. E i restanti 5 stati non sono chiari su come interpretarli?