L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 1336
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
Non capisco l'idea... riorganizza i grafici nella tua mente e tutto andrà bene.
Lo faccio perché sono troppo pigro per riavvolgere i grafici nel tester tutto il tempo, non c'è differenza ed è ancora meglio, la formazione è aggiornata invece di 3 anni fa
Perché? Interessato non solo alla posta in gioco ma anche alla logica.
No, ho un processo di Markov, la soluzione dipende solo dallo stato attuale, non c'è pianificazione quando si impara come nel classico q-learning, per esempio
non c'è niente da imparare nel tester - vai direttamente al tempo reale:)
ma se usate un tester, allora fate tutto in un solo passaggio
La questione è che la relazione tra prezzi futuri e prezzi correnti è logicamente determinata dal fatto che tutto il trading è pianificato sulla base dei prezzi correnti che a loro volta influenzano i prezzi futuri, cioè la connessione argomento-funzione va da sinistra a destra e non viceversa.
Ha accordi a breve termine, a giudicare dal grafico. Non cambierà nulla da una riorganizzazione. Ancora meglio, poiché imparando dai dati più recenti, c'è la possibilità che il reale sia migliore di quando si impara molto prima del reale.
Sto già cavalcando un po' sullo scambio, tastando il terreno...
Uno sviluppo unico di bot con intelligenza artificiale che conquisterà non solo il mercato, ma il mondo intero.
Piani napoleonici. Vi ricordo che Napoleone è finito a Sant'Elena.
Piani napoleonici. Ricordiamo che Napoleone è finito a Sant'Elena.
Questa è una bicicletta per te, ma per altri un SVM kernelizzato (su "Reshetov's Vector Machine")
Dubito che"kernelizzato", il suo output è lineare, è solo iperpiano, Non ho analizzato in dettaglio il codice Java che Yury aveva postato sul cyber-forum prima di scomparire, ma un "graale-writer" che conosco fece analizzare questo codice per un cliente per modificarlo e disse che c'era una specie di ricerca stocastica personalizzata dei coefficienti del modello lineare, una specie di genetica o di ostracismo, il risultato era un vettore di coefficienti lineari, insomma, una versione più avanzata di questo capolavoro:
AI Expert Advisor per MetaTrader 4
double perceptron()
{
double w1 = x1 - 100;
double w2 = x2 - 100;
double w3 = x3 - 100;
double w4 = x4 - 100;
double a1 = iAC(Symbol(), 0, 0);
double a2 = iAC(Symbol(), 0, 7);
double a3 = iAC(Symbol(), 0, 14);
double a4 = iAC(Symbol(), 0, 21);
return(w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
}
Tuttavia, i coefficienti sono ricercati non da MT-optimizer ma dal mio mestiere.
Pochi modelli sono stati selezionati - non è chiaro perché questo sia successo - dobbiamo pensare.
Grafici dei modelli (non ho fatto foto a causa del piccolo numero di modelli selezionati)
60%
70%
Cosa possiamo concludere qui - il rapporto di campionamento è risultato di nuovo superiore al 30% (vecchi campioni 70% ma scambiati!). I grafici hanno a prima vista più differenze, ma ancora non abbastanza per un'esecuzione parallela efficace, per coprire una percentuale maggiore di completezza (Recall).
E questo è il modo di combinare due modelli dell'ultimo e penultimo esperimento - ma ho aumentato la separazione a 0,55. Se uno dei modelli ha un segnale, allora entra nel mercato.