L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 369
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
A proposito, ho controllato la correlazione con periodi da 10 a 60 (6 pezzi) sul grafico EURUSD M1, verso l'uscita (non ho uno zigzag, ma qualcosa di vicino).
-0.00,0.01,0.00,0.01,0.01,-0.01
La correlazione è da -0,01 a 0,01, cioè non c'è alcuna correlazione.
Tuttavia, il tuo Expert Advisor mostra un profitto. Devi piazzare manualmente i trade guardando il trendlineare e inventando delle regole basate sui movimenti del grafico. Credo che sia molto più facile scrivere un normale Expert Advisor che lavori secondo queste regole.
Bene, ora all'uscita alimentate gli incrementi della stessa regressione secondo certe regole, con un offset, o diverse regressioni (diverse uscite)... e la correlazione sarà normale. E immette altre regressioni con periodi diversi. MLP costruirà un modello di regressione figo dentro di sé, come garch, e tutto andrà bene :) Ma in generale, avete bisogno di una rete neurale più avanzata, LSTM, per esempio.
il mio mostra i profitti perché viene eseguito attraverso l'ottimizzatore, sono risultati sporchi :) si può dire che il fit, che non funzionerà molto a lungo in avanti (beh i periodi lo faranno)
Dopo tutto, sul grafico, a parte i punti ottenuti dallo zigzag (o da altri metodi), ci sono decine di momenti/barre in cui i trade saranno redditizi. Ma NS sta cercando di correggere il trading usando solo questa variante di apprendimento.
E l'esempio con trendlinearreg lo mostra molto bene.
Mi sembra che trovare il giusto markup di destinazione sia ancora più un problema che trovare buoni input.
Dopo tutto, ci sono decine di punti/barre sul grafico, oltre ai punti ottenuti dallo zigzag (o altro metodo), quando i trade saranno redditizi. Ma NS sta cercando di correggere il trading usando solo questa variante di apprendimento.
Questo si vede chiaramente nell'esempio di trendlinearreg.
Pertanto, i NS dovrebbero essere utilizzati come parte di un sistema, un filtro, o un insieme di diversi NS
Tutti i MO si basano sul fatto che le variabili di input devono essere correlate alla variabile di output.
Altrimenti non c'è senso in TUTTI i modelli MO.
Ti sbagli di grosso. La correlazione è solo LINEARE dipendenza, y = kx, anche un banale set di dati XOR darà correlazione zero delle singole caratteristiche con un obiettivo, tuttavia per un classificatore non lineare facilmente risolvibile.
Tre volte ho letto QUESTO - è difficile capire questi scarti....
Quindi?
Posso prendere una regressione multipla in cui una o più (parte delle) variabili di input avranno una correlazione con l'output vicina allo 0 e tuttavia il modello darà un'alta precisione di previsione.
E allora?
Se si rimuovono queste variabili, la dimensionalità del problema diminuisce e la precisione aumenta.
E allora?
Qual è il punto del suo post?
La questione di scartare le variabili "inutili" risolve il problema di ridurre la dimensionalità del modello.
Per DM aumenta anche la precisione della previsione del modello.
Per NS per quanto riguarda la precisione, non lo so.
Leggete questo tre volte - capite questi scarti con difficoltà....
E allora?
Posso prendere una regressione multipla in cui una o più (parte delle) variabili di input avranno una correlazione con la variabile di output vicina allo 0 e tuttavia il modello darà un'alta precisione di previsione.
E allora?
Se si rimuovono queste variabili, la dimensionalità del problema diminuisce e la precisione aumenta.
E allora?
Qual è il punto del tuo post?
chee, chee... oops! non è possibile!...
Smettila di controllare signore, non siamo in un seminterrato)))
Hai detto che i chip dovrebbero essere correlati con l'obiettivo, quelli che non sono correlati possono essere buttati via, ti sto dicendo che non è così, prendi XOR e controlla, nessuna correlazione e i chip saranno importanti perché la relazione NON è lineare, tutto qui, la correlazione cattura solo la componente lineare della relazione.
cosa, cosa... oops! non è possibile!...
Smettila di controllare signore, non siamo in una basement))))
Hai detto che i chip dovrebbero correlare con l'obiettivo, quelli che non correlano possono essere scartati, ti dico che non è vero, prendi XOR e controlla, non ci sarà alcuna correlazione e i chip sono importanti perché la relazione NON è LINEARE, tutto qui, la correlazione cattura solo la componente lineare della relazione.
Fatemi un esempio in cui la correlazione lineare è 0 e la dipendenza non lineare è forte.
Fammi un esempio in cui la correlazione lineare sarebbe 0 e la relazione non lineare sarebbe forte.
Ho detto XOR dataset
Ho detto XOR dataset
Ha un esempio?
Mostra righe di dati in entrata e righe di dati in uscita - pubblica