Ogni minuto vengono aperti acquisti con SL e TP da 100 a 2500 in incrementi di 100 su una base di 5 cifre. Cioè, ogni minuto vengono aperti 625 acquisti. Il tutto al prezzo del minuto di apertura.
Dopo la decodifica avrebbe dovuto apparire così:
No, prezzo di entrata (*10^5), ora unix, anno, mese, giorno, minuto, secondo, giorno della settimana, giorno dell'anno, ... , tutto uguale per l'uscita, ... , SL in pp, SL in prezzi, TP in PP, TP in prezzi, risultato commerciale.
Le foreste dovrebbero prenderla al volo. È interessante anche la suddivisione in cluster.
Ogni minuto gli acquisti vengono aperti con uno SL e un TP da 100 a 2500 in incrementi di 100 su una base di 5 cifre. Cioè, ogni minuto vengono aperti 625 acquisti. Il tutto al prezzo del minuto di apertura.
Dopo la decodifica avrebbe dovuto apparire così:
No, prezzo di entrata (*10^5), ora unix, anno, mese, giorno, minuto, secondo, giorno della settimana, giorno dell'anno, ... , tutto uguale per l'uscita, ... , SL in pp, SL in prezzi, TP in PP, TP in prezzi, risultato commerciale.
Le foreste dovrebbero prenderla al volo. Anche la suddivisione in cluster è interessante.
Ho fatto la stessa cosa con TP\CL. Non ho fatto un passo di 10 pt, ho fatto 100,200,300,500,700,1000,2000 - se si applica questo, si ottengono 49 combinazioni diverse al minuto, che è quasi 13 volte meno dati. Non credo che un passo fine sia necessario ad alti TP/SCL, 2400 e 2500 saranno leggermente diversi, e il risparmio di risorse è di 13 volte. Ho anche fatto passaggi separati per ogni combinazione di CPOL, piuttosto che tutti insieme in un unico file. A parità di TP/SL, è possibile valutare immediatamente la redditività del sistema. Per esempio, a TP = 50. Ottengo il 53-55% degli accordi di successo. Nel tester.
Da marzo, quando la volatilità è aumentata, è impossibile usare TP=SL=50, mentre era una combinazione valida per molti anni. Prima di marzo 50 pts potevano guadagnare 10-20 min, mentre a marzo ci volevano 1-2-5 min. Ora voglio solo cercare i punti di ingresso e stimare i risultati al volo con il mio tester. Penso che sarà più universale per qualsiasi volatilità.
Prova a prendere una combinazione di TP=SL=100 per esempio e allena il modello. Penso che dovresti avere abbastanza potenza per questo. Se sarà superiore al 55% su OOS, allora i tuoi dati sono migliori dei miei) Ed è ancora meglio controllare non su OOS (perché potrebbe essere solo fortuna), ma tramite convalida incrociata - è più affidabile.
elibrarius: Ho fatto la stessa cosa con TP/SCL. Non ho fatto un passo di 10 pt nel mio, ma su una griglia di 100,200,300,500,700,1000,2000 - se si applica questo, si ottengono 49 combinazioni diverse al minuto, che è quasi 13 volte meno dati. Non credo che un passo fine sia necessario ad alti TP/SCL, 2400 e 2500 saranno leggermente diversi, e il risparmio di risorse è di 13 volte. Ho anche fatto passaggi separati per ogni combinazione di CPOL, piuttosto che tutti insieme in un unico file. A parità di TP/SL, è possibile valutare immediatamente la redditività del sistema. Per esempio, a TP = 50. Ottengo il 53-55% degli accordi di successo. Nel tester.
Da marzo, quando la volatilità è aumentata, è impossibile usare TP=SL=50, mentre era una combinazione valida per molti anni. Prima di marzo 50 pts potevano guadagnare 10-20 min, mentre a marzo ci volevano 1-2-5 min. Ora voglio solo cercare i punti di ingresso e stimare i risultati al volo con il mio tester. Penso che sarà più universale per qualsiasi volatilità.
Prova a prendere una combinazione di TP=SL=100 per esempio e allena il modello. Penso che dovresti avere abbastanza potenza per questo. Se sarà superiore al 55% su OOS, allora i tuoi dati sono migliori dei miei) Ed è ancora meglio controllare non su OOS (dato che potrebbe essere solo fortuna), ma tramite convalida incrociata - è più affidabile.
elibrarius: Se fai l'allenamento con SP/SL=50 o 100 scrivi il risultato su cross validation, mi chiedo se ottieni più del 55%.
Ho gestito un sistema nel tester per 10 anni che apriva un acquisto una volta al giorno con diversi rapporti SL/TP. Di quelli che sono sopravvissuti non c'erano sistemi con lo stesso SL e TP, per lo più con TP<SL. Potete gestirlo voi stessi.
Ho anche fatto un'emulazione, che ha mostrato che un sistema con un SL<SL è più veloce per arrivare al nero.
Ho gestito un sistema nel tester per 10 anni che apriva un acquisto una volta al giorno con diversi rapporti SL/TP. Tra i sistemi che sono sopravvissuti, non c'erano sistemi con lo stesso SL e TP, per lo più con TP<SL. Potete gestirlo voi stessi.
Ho anche fatto un'emulazione, che ha mostrato che un sistema con TP<SL era più veloce per uscire sul lato positivo.
Sono riuscito a fare un sistema con TP che supera SL di 2-3 volte, ma c'è un altro problema - 20%-25% di operazioni redditizie, e non posso addestrare correttamente il modello per filtrare le voci perdenti.
Controllato, funziona meglio nel tester. Ci darò di nuovo un'occhiata )
appena entrato nelle ricorrenze... molto bravo ad imparare.
Z.U. ha fatto bene - molto tristemente imparabile.
pensato amore, ma no - esperienza di nuovo))
Perché è così triste? Maxim, non hai dei link alla documentazione sui ricorsi? Sono interessato a come esattamente i pesi vengono aggiornati durante l'allenamento
Alexander Alekseyevich: Perché è triste? Maxim, non hai dei link alla documentazione sulla ricorrenza? Mi interessa sapere come esattamente vengono aggiornati i pesi durante l'allenamento.
In the first step a dictionary of all of the unique characters is created to map each letter to a unique integer: Character dictionary : {‘h’: 0, ‘a’: 1, ‘t’: 2, ‘M’: 3} Our encoded input now becomes: MathMath = [3, 1, 2, 0, 3, 1, 2, 0] Step 1: Create batches of data This step is achieved by the user specifying how many batches (B), or sequence...
Consenti l'uso dei cookie per accedere al sito MQL5.com.
Abilita le impostazioni necessarie nel browser, altrimenti non sarà possibile accedere.
Hai effettuato l'accesso. L'autenticazione a due fattori è stata disattivata. Configurala di nuovo e scansiona un nuovo codice QR, oppure continua con l'autenticazione a due fattori disattivata.
Quali sono i dati?
Ogni minuto vengono aperti acquisti con SL e TP da 100 a 2500 in incrementi di 100 su una base di 5 cifre. Cioè, ogni minuto vengono aperti 625 acquisti. Il tutto al prezzo del minuto di apertura.
Dopo la decodifica avrebbe dovuto apparire così:
No, prezzo di entrata (*10^5), ora unix, anno, mese, giorno, minuto, secondo, giorno della settimana, giorno dell'anno, ... , tutto uguale per l'uscita, ... , SL in pp, SL in prezzi, TP in PP, TP in prezzi, risultato commerciale.
Le foreste dovrebbero prenderla al volo. È interessante anche la suddivisione in cluster.
Ogni minuto gli acquisti vengono aperti con uno SL e un TP da 100 a 2500 in incrementi di 100 su una base di 5 cifre. Cioè, ogni minuto vengono aperti 625 acquisti. Il tutto al prezzo del minuto di apertura.
Dopo la decodifica avrebbe dovuto apparire così:
No, prezzo di entrata (*10^5), ora unix, anno, mese, giorno, minuto, secondo, giorno della settimana, giorno dell'anno, ... , tutto uguale per l'uscita, ... , SL in pp, SL in prezzi, TP in PP, TP in prezzi, risultato commerciale.
Le foreste dovrebbero prenderla al volo. Anche la suddivisione in cluster è interessante.
Non ho fatto un passo di 10 pt, ho fatto 100,200,300,500,700,1000,2000 - se si applica questo, si ottengono 49 combinazioni diverse al minuto, che è quasi 13 volte meno dati.
Non credo che un passo fine sia necessario ad alti TP/SCL, 2400 e 2500 saranno leggermente diversi, e il risparmio di risorse è di 13 volte.
Ho anche fatto passaggi separati per ogni combinazione di CPOL, piuttosto che tutti insieme in un unico file.
A parità di TP/SL, è possibile valutare immediatamente la redditività del sistema. Per esempio, a TP = 50. Ottengo il 53-55% degli accordi di successo. Nel tester.
Da marzo, quando la volatilità è aumentata, è impossibile usare TP=SL=50, mentre era una combinazione valida per molti anni. Prima di marzo 50 pts potevano guadagnare 10-20 min, mentre a marzo ci volevano 1-2-5 min.
Ora voglio solo cercare i punti di ingresso e stimare i risultati al volo con il mio tester. Penso che sarà più universale per qualsiasi volatilità.
Prova a prendere una combinazione di TP=SL=100 per esempio e allena il modello. Penso che dovresti avere abbastanza potenza per questo. Se sarà superiore al 55% su OOS, allora i tuoi dati sono migliori dei miei) Ed è ancora meglio controllare non su OOS (perché potrebbe essere solo fortuna), ma tramite convalida incrociata - è più affidabile.
Ho fatto la stessa cosa con TP/SCL.
Non ho fatto un passo di 10 pt nel mio, ma su una griglia di 100,200,300,500,700,1000,2000 - se si applica questo, si ottengono 49 combinazioni diverse al minuto, che è quasi 13 volte meno dati.
Non credo che un passo fine sia necessario ad alti TP/SCL, 2400 e 2500 saranno leggermente diversi, e il risparmio di risorse è di 13 volte.
Ho anche fatto passaggi separati per ogni combinazione di CPOL, piuttosto che tutti insieme in un unico file.
A parità di TP/SL, è possibile valutare immediatamente la redditività del sistema. Per esempio, a TP = 50. Ottengo il 53-55% degli accordi di successo. Nel tester.
Da marzo, quando la volatilità è aumentata, è impossibile usare TP=SL=50, mentre era una combinazione valida per molti anni. Prima di marzo 50 pts potevano guadagnare 10-20 min, mentre a marzo ci volevano 1-2-5 min.
Ora voglio solo cercare i punti di ingresso e stimare i risultati al volo con il mio tester. Penso che sarà più universale per qualsiasi volatilità.
Prova a prendere una combinazione di TP=SL=100 per esempio e allena il modello. Penso che dovresti avere abbastanza potenza per questo. Se sarà superiore al 55% su OOS, allora i tuoi dati sono migliori dei miei) Ed è ancora meglio controllare non su OOS (dato che potrebbe essere solo fortuna), ma tramite convalida incrociata - è più affidabile.
Molto probabilmente dovrai sfoltire i tuoi dati
Probabilmente dovrete sfoltire i vostri dati
Se fai l'allenamento con SP/SL=50 o 100 scrivi il risultato su cross validation, mi chiedo se ottieni più del 55%.
Ho gestito un sistema nel tester per 10 anni che apriva un acquisto una volta al giorno con diversi rapporti SL/TP. Di quelli che sono sopravvissuti non c'erano sistemi con lo stesso SL e TP, per lo più con TP<SL. Potete gestirlo voi stessi.
Ho anche fatto un'emulazione, che ha mostrato che un sistema con un SL<SL è più veloce per arrivare al nero.
Hai fatto di nuovo casino con la rete)?
Finalmente ho trovato il bug nel tester. Ora tutto sta andando a posto.
Molto probabilmente ha fatto lo stesso errore nel suo tester.
chiuso il topic ) in fretta e furia, Lamba è rimandato
Ho le date, ora non so come elaborarle, non ho tanta potenza((((
In questo momento è un csv con una colonna di indici, pesa un gig. Dopo la "decodifica" il binario peserà 17 volte di più.
Chi ne ha bisogno?
CatBoost inghiottirà questi dati - funziona bene con i file grandi. Solo non ho capito, quale obiettivo...
Se preparerete i dati in forma csv con l'obiettivo, posso eseguirlo a casa mia.
Ho gestito un sistema nel tester per 10 anni che apriva un acquisto una volta al giorno con diversi rapporti SL/TP. Tra i sistemi che sono sopravvissuti, non c'erano sistemi con lo stesso SL e TP, per lo più con TP<SL. Potete gestirlo voi stessi.
Ho anche fatto un'emulazione, che ha mostrato che un sistema con TP<SL era più veloce per uscire sul lato positivo.
Sono riuscito a fare un sistema con TP che supera SL di 2-3 volte, ma c'è un altro problema - 20%-25% di operazioni redditizie, e non posso addestrare correttamente il modello per filtrare le voci perdenti.
Controllato, funziona meglio nel tester. Ci darò di nuovo un'occhiata )
appena entrato nelle ricorrenze... molto bravo ad imparare.
Z.U. ha fatto bene - molto tristemente imparabile.
pensato amore, ma no - esperienza di nuovo))
Perché è triste? Maxim, non hai dei link alla documentazione sulla ricorrenza? Mi interessa sapere come esattamente vengono aggiornati i pesi durante l'allenamento.
sono riqualificati allo stesso modo degli altri
Ci sono molte informazioni su google
Qui ce n'è uno buono
https://towardsdatascience.com/gate-recurrent-units-explained-using-matrices-part-1-3c781469fc18