L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 617
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
La risposta alla sua domanda: classificazione. Segnali di acquisto/vendita/passaggio.
Per quanto riguarda le immagini, non è chiaro quali siano le linee.
Screenshot della piattaforma di trading MetaTrader
AUDUSD, H1, 2018.01.28
RoboForex (CY) Ltd, MetaTrader 5, Demo
Sono d'accordo, le immagini sono ritagliate dal grafico.
A proposito della classificazione, è questo nella stessa rete neurale può essere applicato?
Il modello nella comprensione del presente pubblico è un insieme di parametri del dataset (colonne, variabili) + insieme di metodi matematici (funzioni) + risultato (chiamata di funzione).
Ho capito che state parlando di dataset.
La lunghezza del set di dati influenza la qualità e la velocità di apprendimento (righe). La qualità delle previsioni è influenzata dalla qualità dei parametri (colonne)
Non riesco a capire come gestire la lunghezza del set di dati. Nel mio caso, uno stesso modello può essere lungo 500 barre, ma in un giorno può essere lungo 200 barre. Supponiamo che io faccia uno script, che mi darà dei set di dati per ogni ora, ma saranno di lunghezza diversa, come posso usarli in una rete neurale? Penso che proprio la lunghezza del modello sia anche un parametro di qualità per la rete neurale...
https://charts.mql5.com/17/376/audusd-h1-roboforex-cy-ltd.png
Sono d'accordo, le immagini sono tagliate dal grafico.
Per quanto riguarda la classificazione, può essere applicata nella stessa rete neurale?
Dalle immagini non è chiaro quali siano i dati, dove sono le previsioni? Cosa significano le linee verticali? In generale, come si dice, non c'è leggenda sul grafico.
Fondamentalmente sì, nella struttura del modello di rete neurale è necessario cambiare lo strato di uscita (numero di neuroni, funzione di attivazione) e trasformare i dati per la formazione in classi (per esempio segnali di indicatori, incrementi di prezzo normalizzati).
Dalle immagini non è chiaro che tipo di dati, dove sono le previsioni? Cosa significano le linee verticali? In generale, come si dice, non c'è leggenda sul grafico.
Fondamentalmente sì, nella struttura del modello di rete neurale è necessario cambiare lo strato di uscita (numero di neuroni, funzione di attivazione) e trasformare i dati per la formazione in classi (ad esempio segnali di indicatori, incrementi di prezzo normalizzati).
Secondo l'immagine, le linee verticali mostrano il modello stesso, tutto dopo la verticale destra in avanti. Quindi il forward si comporta diversamente, e con l'aiuto di una rete neurale voglio trovare una possibile spiegazione per il comportamento del forward. Voglio usare i dati di neuronet per i prezzi incrementali dell'area del modello.
Non riesco a capire come gestire la lunghezza del set di dati. Nel mio caso, uno stesso modello può essere lungo 500 barre, ma in un giorno può essere lungo 200 barre. Supponiamo che io faccia uno script, che mi darà dei set di dati per ogni ora, ma saranno di lunghezza diversa, come posso usarli in una rete neurale? Penso che solo la lunghezza del modello sia anche un indicatore qualitativo per la rete neurale
Il tuo dataset è una tabella dove le colonne, per esempio, sono i prezzi di apertura/chiusura e le righe sono momenti di tempo, barre.
In un'architettura elementare di rete neurale si inserisce una riga dopo l'altra e per ogni riga dovrebbe produrre un risultato che, dopo averlo confrontato con un benchmark, la funzione di ottimizzazione "allena" la rete neurale.
Se lo si alimenta con diverse stringhe contemporaneamente, è una serie temporale, il che significa che deve essere alimentato secondo un certo algoritmo.
Dovrei aggiungere: studiate gli articoli sull'argomento, penso che molte domande diventeranno più chiare.Secondo l'immagine, le linee verticali mostrano il modello stesso, tutto dopo la verticale destra in avanti. Quindi il forward si comporta diversamente, e con l'aiuto di una rete neurale voglio trovare una possibile spiegazione per il comportamento del forward. Voglio usare i dati per il neuronet per gli incrementi di prezzo del modello.
Ho iniziato a scrivere un articolo per il paired trading... ma mi sono bloccato a causa della mia pigrizia e mancanza di comprensione di come farlo correttamente :)
Il tuo dataset è una tabella, dove le colonne, per esempio, sono i prezzi di apertura/chiusura, e le righe sono momenti di tempo, barre.
In un'architettura rudimentale di rete neurale, inserisce una riga dopo l'altra, e per ogni riga, deve produrre un risultato, che confrontando con il benchmark la funzione di ottimizzazione "addestra" la rete neurale.
Se si alimentano diverse stringhe in una volta, si tratta di una serie temporale, il che significa che bisogna alimentarla secondo un certo algoritmo.
Perdonatemi se sono schietto, la mia conoscenza delle reti neurali è probabilmente troppo superficiale. Così, per esempio, ho una sequenza di prezzi per 100 barre e in avanti per 5 barre. L'input della rete neurale è 100 e l'output è 5 barre. Ma ora la prossima selezione un'ora prima ha una sequenza, per esempio, di 200 barre e in avanti anche 5 barre. la terza selezione un'ora prima ha 250 in entrata e 5 in uscita. come fare una tale rete neurale? Ovunque ci sono esempi che descrivono che i dati di ingresso sono nella stessa quantità.
Ho iniziato a scrivere un articolo per il trading dei doppi... ma mi sono bloccato per la mia pigrizia e incomprensione di come farlo bene :)
Saluti, non sto usando il metodo abbinato, anche se ho imparato a conoscere il metodo abbinato. Per oggi uso il trading di portafoglio, e solo perché creo un portafoglio per la mia fase conveniente (modello) in qualsiasi momento. E quando ho notato che le serie di portafoglio sono simili a qualsiasi serie di mercato ho deciso di trovare possibili regolarità per serie identiche (visivamente identiche) usando neuronet.
Maxim, stai facendo funzionare le tue reti neurali su monopair, vero? Avete mai pensato che si può creare una fila maneggevole che potrebbe poi funzionare meglio in avanti? Dopo tutto, infatti, diciamo che una figura con le spalle, per esempio, non si verifica molto spesso, ma immaginate di poterla fare ogni ora...
Perdonatemi se sono schietto, la mia conoscenza delle reti neurali è probabilmente troppo superficiale. Così, per esempio, ho una sequenza di prezzi per 100 barre e in avanti per 5 barre. L'input della rete neurale è 100 e l'output è 5 barre. Ma ora la prossima selezione un'ora prima ha una sequenza, per esempio, di 200 barre e in avanti è anche 5. La terza selezione un'ora prima ha 250 in ingresso e 5 in uscita. Come fare una tale rete neurale? Ovunque ci sono esempi che descrivono che i dati di input sono gli stessi.