L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 414
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
Perché non si sa? Il numero di cluster da partizionare è impostato all'avvio come valore di input: K - numero desiderato di cluster, K>=1
Supponiamo che io abbia diviso i dati in 4 gruppi, cosa dovrei fare con loro?
Voglio dire che non so a priori a quale classe appartiene cosa nel campione... cosa farne dopo in termini di trading non lo so, forse per vedere quali casi appartengono a segnali di vendita e quali di acquisto, cosa c'è di più, e così via...
I pacchetti ML che ho conosciuto permettevano tutti di cambiare la funzione di attivazione dello strato.
Ma questi sono metodi estremi.
Volevo stipare e scrivere un paio dei miei strati ricorrenti - per fortuna sono rinsavito. =)
Fondamentalmente, se avete abbastanza conoscenze, e se la libreria lo permette, potete ereditare la classe neurone e scrivere lì la vostra funzione di attivazione.
Ma questi sono metodi estremi.
Una volta volevo entrare e scrivere un paio dei miei strati ricorrenti, ma è bene che mi sia ravveduto. =)
Il softmax ha diviso i segnali normalmente, non come prima che c'erano pochi acquisti e poche vendite, ora è uguale. Ma sta ancora perdendo soldi, ho bisogno di elaborare meglio i predittori e gli obiettivi.
Ricordo che qualcuno mi rimproverava di dover orientare il mio modello ogni mattina per lavorarci in futuro. Ecco come funzionava il mio modello dritto oggi. Male, direte voi, certo che ve lo dirò... Ora rispecchialo nella tua testa e inizia a fare trading dal terzo segnale. Come ora????? E tu dici che il metodo di orientamento è una stronzata....
E non c'è bisogno di coccolare la nonna!!!! :-)))))
Bene, ora che sei sul punto, ti dirò un pensiero sulla raccolta dei dati per l'elaborazione. È davvero difficile addestrare un modello con un alto livello di generalizzazione su un'area abbastanza grande, perché il mercato è un organismo vivente e bla, bla, bla. Più lungo è il periodo di addestramento, peggio si comporta il modello, ma più a lungo. Obiettivo: fare un modello di lunga durata. Dividere o metodo due, tuttavia per coloro che utilizzano un comitato di due reti.
Abbiamo tre stati "Sì", "No" e "Non so" quando le griglie mostrano in direzioni diverse.
Addestriamo la rete su tutta la sezione, nel nostro caso 452 voci. La rete ha imparato questo set al 55-60%, supponendo che le risposte "Non so" nel set di allenamento fossero il 50%, quindi 226 segnali che la rete non poteva imparare. OK, ora costruiamo un nuovo modello SOLO sugli stati "Non so", cioè cerchiamo di costruire il modello su tali quasi stati che hanno fuorviato il primo modello. Il risultato è più o meno lo stesso, su 226 solo la metà sarà riconosciuta, il resto otterrà lo stato "Don't Know", poi costruite di nuovo il modello. il risultato è 113, poi 56, poi 28, poi 14. Su 14 voci non note a nessuno dei modelli precedenti, il Jprediction Optimizer calcolerà di solito fino al 100% di generalizzabilità.
Come risultato abbiamo un "Pattern System" che riconosce l'intero mercato in un periodo di tre mesi.
Ecco un altro modo, oltre al "Contesto del giorno" Come si può dividere il mercato in sottospazi ed eseguire la formazione ottenendo esattamente il "Sistema di Pattern" Ecco un esempio....
Per essere onesti, ho fatto la suddivisione un po' diversamente qui, ma l'essenza rimane la stessa.
C'era un file generale di 288 linee, l'ho diviso in tre campioni, il numero di record del campione di allenamento è specificato nella linea Tootal patterns.
L'ultimo:
E l'ultimo.
Senza condizionale ciascuno di loro dovrebbe guadagnare, ma prestare attenzione al numero totale di accordi in questa zona 54 pezzi (strategia di base). E questo è quello che è successo quando hanno lavorato tutti insieme.