L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 42
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
Ciao!
Ho due domande per voi
1) per quanto riguarda le reti ricorrenti della pagina precedente, ho buttato il pacchetto "rnn" è davvero un po' strano e mal concepito e sono passato a "RSNNS" ha preso la rete "Elman" ha buttato i dati tutto ha funzionatoNon capisco dove e come impostare "quanto la rete si ricorda nel passato" in "rnn", dove era subito chiaro che ogni variabile veniva trasformata in una matrice con un numero. corrispondeva alla dimensione della memoria della rete, ma non ho trovato tale parametro in"RSNNS", ma è impossibile che non ci fosse, perché l'essenza della rete ricorrente è proprio in essa.
2) Cosa devo cercare in"rminer"? Se intendi qualcosa come "arima" allora non funzionerà.
Ho provato a scrivere un tale classificatore target per fare previsioni a più passi, ma non ci sono riuscito, i risultati erano strani, prima di tutto la qualità è scesa (è normale perché la previsione non è sulla 5° o 10° candela), l'anti-correlazione era ancora presente anche se meno pronunciata, ma il trucco è che non ho ottenuto l'anticipazioneSembra che l'inversione dell'indicatore sia stata la stessa dell'inversione del mercato, cioè ho ottenuto qualcosa che era di qualità peggiore, ma non capisco perché sia successo in quel modo..
Buona giornata.
1. La rete Elman come la rete Jordan ricorda solo il passo precedente. Per tenere conto di molti passi precedenti, è necessario concatenare le RNN insieme, questo è il cosiddetto LSTM. Questo articolo descrive abbastanza lucidamente tali reti. Purtroppo sono implementati in Python. Ma questo non è un problema, vero? Python e R sono perfettamente integrati.
2. Rminer ha la funzione lforecast - Esegue previsioni multi-step utilizzando iterativamente le previsioni 1-ahead come input . Parlando di previsioni a più fasi, intendi ovviamente la regressione?
Buona fortuna
Conclusione: è necessario prendere ogni attributo ed estrarre qualcosa di utile da esso. Ho alcuni pensieri su come farlo, ma prima di dirlo, mi piacerebbe sentire i vostri pensieri, idee e suggerimenti sull'argomento
Si può estrarre qualcosa da una funzione solo utilizzando i dati storici. Quando arriva una nuova barra, il segno deve predire qualcosa e perché possa predire, deve avere capacità predittiva. La capacità predittiva è una certa potenza di un tratto, è quando alcuni valori di un tratto predicono una classe e altri valori di un tratto predicono un'altra classe. Ho già dato un esempio di tale capacità predittiva. Obiettivo: "uomini/donne". Tratto: "abbigliamento". Se l'attributo ha solo due valori: pantaloni/gonne, allora in una società musulmana tale attributo con questi valori predice senza ambiguità la classe. Ma nella società non musulmana, c'è un abbigliamento unisex, oltre a un numero enorme di altre denominazioni.
Quindi il problema di determinare la capacità predittiva dell'attributo di abbigliamento per una variabile target che ha due valori di classe maschio/femmina è formulato come segue: quale percentuale di valori dell'attributo di abbigliamento predice univocamente il maschio e quale percentuale predice la femmina? Se si tratta di una società occidentale e tutti i vestiti sono unisex, allora l'attributo "abbigliamento" non ha alcun potere predittivo. In una società musulmana, il tratto dell'abbigliamento avrebbe un'ottima capacità predittiva. Se rendiamo il nostro esempio più reale introducendo age.... otterremo una capacità predittiva più reale. Sarà specifico e questa capacità di predizione determinerà l'errore di predizione.
Cioè, dalla capacità predittiva del predittore deriva l'errore di predizione, e se il modello scelto corrisponde al problema in questione, tale errore è poco dipendente dalla scelta del modello.
Da idee e suggerimenti.
Li ho espressi molte volte in questo thread e su questo forum. La difficoltà principale è che il mio punto sul "potere predittivo" non è ancora compreso.
Degli strumenti ho dato un link a un articolo eDr.Trader ha cercato di applicare, ma senza successo. Attribuisco la negatività del suo risultato alla specificità del suo set di caratteristiche: un gran numero di caratteristiche che hanno poco valore. Si tratta di un insieme molto specifico di caratteristiche per il Forex. In forex qualsiasi attributo può avere migliaia di valori, e il suo può averne decine.
Li ho espressi molte volte in questo thread e su questo forum. La difficoltà principale è che il mio punto di vista sulla "capacità predittiva" non è ancora compreso.
Forse perché questo punto di vista non è supportato da test o risultati di test da parte vostra? :)
In generale, perché questi chilometro-lungo illuminazione, la domanda era come ottenere utile fuori gli attributi, non come selezionare i tratti, queste sono cose diverse e qui il vostro riferimento a un articolo in generale per mettere ...
Forse perché questo punto di vista non è supportato da test o risultati di test da parte vostra? :)
In generale, perché queste illuminazioni chilometriche, la domanda era come ottenere tratti utili da loro, non come selezionare i tratti, queste sono cose diverse e qui il tuo riferimento a un articolo generalmente non si adatta a nessuno ...
Devi scrivere un'enciclopedia lunga un chilometro. In breve: un tratto è un tutto e nulla può essere tolto da esso. È possibile determinare se l'intero tratto si adatta o meno.
PS.
Faccio una selezione personalizzata di tratti che hanno potere predittivo. Quando si utilizzano tratti selezionati con il mio algoritmo, ottengo modelli senza riqualificazione.
Devi scrivere un libretto lungo un chilometro. In poche parole: un tratto è un tutto e nulla può essere tolto da esso. È possibile determinare se l'intero tratto si adatta o meno.
PS.
Seleziono su misura le caratteristiche che hanno potere predittivo. Utilizzando le caratteristiche selezionate con il mio algoritmo, ottengo modelli senza riqualificazione.
Wow, forte... ...vuoi dirmi i risultati specifici del tuo modello non addestrato? O anche questo argomento sarà "saltato" come con il tuo robot che "sembra funzionare" e "sembra guadagnare"?
E Sanych, la vuoi smettere?!?
Ho capito tutto da molto tempo ormai...
Questo non va bene in relazione agli altri partecipanti che ti leggono e poi passano il loro tempo sulla strada verso il nulla
Wow, forte... forse ci dirai qualche risultato specifico del tuo modello non addestrato? O continuerai a parlarne come hai fatto con il tuo robot ?
E Sanych, la vuoi smettere?!?
Ho capito tutto da molto tempo ormai...
Questo non va bene in relazione agli altri giocatori che ti leggono e poi passano il loro tempo sulla strada verso il nulla, per usare un eufemismo.
Pensiamo a come lavora un trader professionista(ricordate, sto ancora esagerando :)) che ha solo due segnali - livelli e indicatore "RSI" E c'è un sistema di trading in cui un trade di vendita suona così - se il livello è rotto verso l'alto e RSI è maggiore di 0,9, allora vendi...
In questo caso, il sistema di trading agisce come un filtro di dati, un filtro che non permette al commerciante di entrare nel rumore, e la percentuale di rumore in questo esempio con RSI non è uno scherzo 95% perché RSI gamma da -1 a 1 e il commerciante ha bisogno solo ciò che è >0,9 quelli 5% ...
Funzionerà se prendiamo una dozzina di indicatori con una dozzina di ritardi diversi. Ma bisogna determinare quali indicatori usare e con quali ritardi. Per cominciare prendete un grande insieme di essi, selezionatene alcuni secondo certe regole e la somma di tutte queste centinaia di predittori finali vi darà una reale possibilità di predire il futuro. Prendete un modello di foresta casuale, alimentatelo con i dati e costruite un albero decisionale. Per esempio se rsi[20] > 0,4, e ma(16)[20] > 1,2, ecc. - allora è un acquisto. E se rsi < 0,1 allora sta vendendo. Potete vedere un esempio di come appare la foresta quihttp://www.intuit.ru/studies/courses/6/6/lecture/174 . In generale, la foresta vi darà gli attributi con valori e soglie utili per decine di indicatori.
C'è una sottigliezza che la foresta tende ad apprendere troppo. Se insieme ai predittori utili alimentate la foresta con spazzatura, la foresta la aggiungerà alla sua logica. E secondo la regola "la spazzatura dentro porta alla spazzatura fuori" qualsiasi previsione del modello basata sulla spazzatura nei dati di fronttest sarà casuale e inutile. Si dovrebbe sempre considerare questo quando si selezionano i predittori, e fare convalide incrociate per testare il modello.
Non è bello, per non dire altro, per gli altri membri che ti leggono e poi perdono il loro tempo camminando sulla strada del nulla
Sono totalmente d'accordo con quello che SanSanych ha mai scritto qui, vi consiglio di ascoltare. Ho imparato molto da lui, l'ho controllato e ne ho preso nota.