Galateo del mercato o buone maniere in un campo minato - pagina 79
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
A proposito, vedete che immagine caratteristica ottengo della distribuzione della prima serie di differenza su una serie di transazioni, se fate una ripartizione verticale dei minuti con uno spread (3 punti):
Se si costruisce la funzione di distribuzione, essa rappresenta le caratteristiche in modo più chiaro. Quello che hai portato è una visione della FR dall'alto e una risoluzione temporale. Interessante, certo, ma non così illustrativo.
Ora è appena sopra 2(2,153) poi si avvicina a 2, poi più lontano, a seconda di H, ma sempre appena sopra 2
La natura del mercato deve aver fatto tendenza. In grandi tratti, la valutazione tende ad essere <2.
Se costruisci una funzione di distribuzione, rappresenta le caratteristiche in modo più chiaro. Quello che hai portato è una visione della FR dall'alto e una risoluzione della scala temporale. Interessante, certo, ma non così illustrativo.
Ora è appena sopra 2(2,153) poi si avvicina a 2, poi più lontano, a seconda di H, ma sempre appena sopra 2
La natura del mercato deve aver fatto tendenza. Nelle trame più grandi, la stima è di solito <2.
Lo costruirò oggi stesso. Ho un periodo davvero piccolo di poco più di un mese (20 000 min) e la mia società di intermediazione non permette di scaricare una storia più lunga di mine.
Ieri sera ho avuto un'idea e vorrei esprimerla qui. Vale per TUTTI, signori.
Chiamiamolo SOI (in modo che nessuno lo indovini -:) )
Quindi, per una corretta analisi dei dati abbiamo bisogno di una buona (statisticamente sufficiente e senza lacune) storia di tick, che non abbiamo per ovvi motivi.
L'essenza dell'idea è come crearla con il minimo sforzo e il massimo beneficio per qualsiasi trader. La soluzione è semplice - affittare dei server dedicati (2, o meglio 3) e installare dei collettori di zecche su questi server... su qualsiasi strumento e società di intermediazione. E non solo (più avanti su questo). Una persona questa impresa sarà molto costosa, ma l'idea è proprio come farlo non è gratuito, ma economico, affidabile e pratico.
Facciamo i conti:
****************************** *************************
1. affittare un server virtuale dedicato con abbastanza spazio oggi costa circa 100 sterline al mese (avete bisogno di 2 server indipendenti) ... 200 dollari al mese.
2. Ci vorrebbe un buon codificatore per tenere d'occhio il tutto e rattoppare la storia come si deve.
Il codificatore dovrebbe naturalmente ricevere del denaro per questo lavoro. Il lavoro giornaliero non sarà molto, quindi 200 sterline / mese (tuttavia, questo non è il limite di ciò che il coder può guadagnare nel progetto)
Questi sono, infatti, tutti i costi di base! 400 sterline al mese.
Avrete anche bisogno di una risorsa online unificata, che deve essere collocata:
a) Un mercato per vendere la storia del tek.
b) Un mercato per la vendita di EAs, dove si può vedere il lavoro attuale di qualsiasi EAs proposto sulla demo GRATIS.
c) Un forum dove la critica costruttiva di DC è accettabile.
***************************** REVENUE **************************
1. Pagamento per scaricare la storia dei tick - 1 mese di tick per qualsiasi strumento di qualsiasi società di intermediazione - 1WMZ (il pagamento è conveniente tramite WebMoney)
2. Tassa per ospitare i consulenti su un server remoto (lavoro reale) - 20WMZ a settimana (se il consulente non guadagna così tanto, basta buttarlo via)
3. Tassa di hosting per consulente demo - 5WMZ a settimana
4. Interesse da parte dei consulenti, che sono stati venduti attraverso la piattaforma (non posso dire la cifra esatta)
******************************************************************************************
In generale, il progetto sembra abbastanza redditizio e utile. MetaQuotes sarà probabilmente anche interessato, perché SOI farà un buon PR per il loro prodotto - MT5.
In una parola: tutti vincono tranne DC. Anche se le società di intermediazione oneste non hanno nulla da temere.
Per l'inizio di qualsiasi concessione abbiamo bisogno di azionisti. Personalmente sono pronto a condividere il denaro per un importo di 100WMZ. Chi altro...?
1. Colleziono zecche per i miei bisogni. Quando è troppo è troppo.
2. Come progetto commerciale, questo progetto è inferiore, secondo me, a un altro progetto sotto il marchio "Forex".
3 Se hai bisogno di zecche solo per l'analisi, devi prima mostrare la fattibilità del progetto. Mostra il reddito reale su ticks e dimostra la sua superiorità rispetto ad altri modi di rappresentare la serie dei prezzi. È chiaro che i riferimenti alle autorità non sono validi.
E l'ultimo. Ognuno commercia nella storia della sua società di intermediazione con il suo filtro di quotazioni unico. Per questa particolare società di intermediazione NS è addestrato. Di conseguenza, non stiamo parlando di universalità del progetto proposto! Chi sarà interessato ad esso, a parte voi? 1 o 2 persone in più...
Domanda a Neutron e Paralocus. Ho capito che Neutron allena la sua griglia con un metodo RPROP modificato, mentre paralocus allena la sua griglia con un metodo BPROP modificato. Nel metodo classico RPROP, i passi di peso sono calcolati moltiplicando i gradienti dell'errore di formazione al quadrato (dE^2/dw = -delta*Neuron_Input) per il tasso di apprendimento. Questo metodo può essere applicato localmente, quando si passa da un set di allenamento all'altro, o epocalmente, accumulando i gradienti di errore per tutti i set di allenamento e poi calcolando i passi di ponderazione. La tua modifica è che i passi di peso sono ulteriormente moltiplicati per (1-L/N)*dw/sqrt(dwNorm). Neutron prende solo segni di incremento dw, come in RPROP. Ho provato quasi tutti i tipi di metodi RPROP (BPROP, RPROP, IRPROP+/-, SARPROP, GRPROP) e ho ottenuto risultati piuttosto miseri. Quando i pesi sono inizializzati con alcuni numeri casuali (ad esempio, nell'intervallo di -0,5...0,5), l'errore di apprendimento iniziale è molto alto e i metodi di apprendimento lo riducono con successo. Non c'è nessun problema qui. Ma se i pesi sono inizializzati con valori zero o valori casuali molto piccoli (ad esempio -0,05...0,05), allora l'errore di apprendimento iniziale è piccolo e uguale all'errore di apprendimento finale quando i pesi sono inizializzati con numeri casuali "grandi". Allora che senso ha allenare la rete se sappiamo che i pesi zero ci danno un errore vicino all'errore finale di apprendimento quando i pesi iniziali sono casuali? Ecco un grafico dell'errore di formazione con il metodo ORO modificato come paralocus (a giudicare dai post precedenti, Neutron ha usato lo stesso metodo all'inizio)
Tutti i metodi di addestramento che ho menzionato mostrano approssimativamente lo stesso comportamento: una bella e stimolante riduzione dell'errore di apprendimento da epoca a epoca con pesi iniziali casuali (si può scrivere un articolo o una tesi di laurea). A zero pesi iniziali l'errore è già abbastanza piccolo che la rete non lo migliora affatto. Ecco l'esempio di formazione IRPROP+ con gli stessi dati di input
Forse, tale comportamento dell'errore di formazione è specifico della mia rete (due strati, 12 ingressi, 5 neuroni nascosti, 1 uscita, 120 set di formazione) o dei dati di input (incrementi di prezzo relativi con diversi ritardi). Vorrei vedere come le vostre reti imparano con pesi iniziali casuali e nulli. Se non ti dispiace, mostrami i grafici dell'errore di apprendimento NON NORMALE in funzione dell'epoca per questi due casi.
Qui stavo pensando un po' al mio risultato e sono arrivato alla conclusione che se i pesi della rete tendono a zero nel processo di apprendimento o in altre parole i pesi iniziali zero sono vicini allo stato allenato della rete, allora la rete cerca di descrivere input e output molto debolmente correlati, cioè un mercato casuale in cui la previsione è impossibile. Ho "inventato" un tale teorema
Forse questo comportamento di errore di apprendimento è specifico della mia rete (due strati, 12 ingressi, 5 neuroni nascosti, 1 uscita, 120 set di allenamento), o dei dati di input (incrementi di prezzo relativi con diversi ritardi). Mi piacerebbe vedere come le vostre reti imparano con pesi iniziali casuali e nulli.
Ecco come appare il processo di riduzione dell'errore di apprendimento di un NS a doppio strato, a seconda del numero di epoche:
La rete ha 5 ingressi, 4 neuroni nello strato nascosto e un neurone in uscita. I prezzi aperti di EURUSD1h normalizzati alla sua deviazione standard sono stati utilizzati come vettore di formazione. In Fig. i cerchi mostrano l'errore di addestramento trovato come deviazione standard media su 50 esperimenti numerici senza normalizzazione dell'errore alla lunghezza del vettore di input. Le linee sottili mostrano la dispersione statistica al livello 1/e. Il blu mostra l'implementazione di questo processo per la randomizzazione iniziale dei pesi nell'intervallo 0. Il rosso mostra l'intervallo +/-1 con una distribuzione a banda.
Si vede che NS impara molto meglio se l'inizializzazione iniziale dei pesi viene effettuata con valori casuali, rispetto a partire da zero. Inoltre, aumentare la gamma di randomizzazione iniziale dei pesi porta in generale a ridurre l'errore di apprendimento finale. Tuttavia, questo comporta un aumento del numero di epoche necessarie (il grafico, nel suo insieme, sale).
Ecco come appare il processo di riduzione dell'errore di apprendimento del bilayer NS a seconda del numero di epoche:
La rete ha 5 ingressi, 4 neuroni nello strato nascosto e un neurone in uscita. I prezzi aperti di EURUSD1h normalizzati alla sua deviazione standard sono stati utilizzati come vettore di formazione. In Fig. i cerchi mostrano l'errore di addestramento trovato come deviazione standard media su 50 esperimenti numerici senza normalizzazione dell'errore alla lunghezza del vettore di input. Le linee sottili mostrano la dispersione statistica al livello 1/e. Il blu mostra l'implementazione di questo processo per la randomizzazione iniziale dei pesi nell'intervallo 0. Il rosso mostra l'intervallo +/-1 con una distribuzione a banda.
Si vede che NS impara molto meglio se l'inizializzazione iniziale dei pesi viene effettuata con valori casuali, rispetto a partire da zero. Inoltre, aumentare la gamma di randomizzazione iniziale dei pesi porta in generale a ridurre l'errore di apprendimento finale. Tuttavia, questo comporta un aumento del numero di epoche necessarie (il grafico nel suo complesso sale).
Grazie. E perché lo spread statistico è disegnato vicino ai cerchi blu? Se i pesi iniziano con valori zero, allora non dovrebbe esserci alcuna dispersione statistica.
Un'altra domanda. Se hai usato i prezzi di apertura di EURUSD1h normalizzati per la loro deviazione standard, allora la loro media non è zero. O avete sottratto la media?