Discussione sull’articolo "Sviluppo di un robot in Python e MQL5 (Parte 1): Preelaborazione dei dati" - pagina 3

Nuovo commento
 
Maxim Dmitrievsky #:

Allora il prezzo deve essere pseudo-stazionario. Questo non si osserva nei mercati in trend.

Bene, prevediamo gli incrementi. Poi prendiamo gli incrementi degli incrementi. Sono pseudo-stazionari?

Tuttavia, se abbiamo imparato a prevedere gli incrementi, significa che abbiamo imparato a prevedere il loro derivato - il prezzo?

 
fxsaber #:

Sono a zero in MO, quindi mi affido all'articolo.

Se ho capito bene, un automa è un campo più ampio delle scelte umane. Se un umano può scegliere una quantità cumulativa, un automa lo può fare ancora di più.

Il punto è che tutte le caratteristiche immesse nel modello devono essere pseudo-stazionarie, altrimenti il modello non funzionerà correttamente sui nuovi dati. Questa è una limitazione del classificatore.

I dati devono essere rappresentati in un ordine di valori che persiste sui nuovi dati. Se questa condizione non è soddisfatta, il modello si atterrà ai valori limite quando supera questo intervallo.

Ad esempio, prevedere sempre 0 o sempre 1.
 
fxsaber #:

Ok, prevediamo gli incrementi. Poi prendiamo gli incrementi degli incrementi. Sono pseudo-stazionari?

Tuttavia, se abbiamo imparato a prevedere gli incrementi, significa che abbiamo imparato a prevedere il loro derivato - il prezzo?

Sì

 
Maxim Dmitrievsky #:

i dati devono essere rappresentati in un intervallo di valori, che viene salvato sui nuovi dati. Se questa condizione non è soddisfatta, il modello si attacca ai valori limite quando si va oltre questo intervallo.

Cioè, questi segni dovrebbero essere ovviamente buttati via?

    # Add simple features
    raw_data['raw_SMA_10'] = raw_data['close'].rolling(window=10).mean()
    raw_data['raw_SMA_20'] = raw_data['close'].rolling(window=20).mean()

Perché possono facilmente raggiungere valori al di fuori dell'intervallo di addestramento.

 
fxsaber #:

Quindi questi cartelli dovrebbero essere scartati?

Perché possono facilmente raggiungere valori al di fuori dell'intervallo di allenamento.

Sì, non possono essere utilizzati, proprio come i prezzi di apertura.

Beh, non si può. Tecnicamente si può, ma c'è il rischio che il modello si blocchi sui nuovi dati.

Se si ha la certezza che non andranno oltre il loro intervallo nel prossimo futuro, allora è possibile.

 
L'apprendimento per classificazione si rende conto che le caratteristiche prezzo, rendimento^1, rendimento^2, ... sono la stessa cosa - c'è una relazione univoca tra di loro e quindi solo un attributo dovrebbe essere escluso da questo elenco?
 
Maxim Dmitrievsky #:

Se c'è la certezza che non usciranno dalla loro gamma nel prossimo futuro, è possibile.

L'oro e le criptovalute non sono adatti a questo scopo.

 
fxsaber #:
L'apprendimento per classificazione si rende conto che le caratteristiche prezzo, rendimento^1, rendimento^2, ... sono la stessa cosa - c'è una relazione univoca tra di loro e quindi solo un attributo dovrebbe essere escluso da questo elenco?

Non è la stessa cosa, c'è ancora una differenza. La soluzione dipenderà dal numero totale di attributi. Se è troppo grande, si può ripulire. In caso contrario, si può lasciare senza problemi. Inoltre, sono leggermente diversi (incrementi con ritardi diversi) e possono fornire ulteriori informazioni utili al modello.

Il prezzo è stato eliminato per il motivo sopra citato.
 
fxsaber #:

L'oro e le criptovalute non rientrano in questa categoria.

Non c'è molto che si adatti, quindi tutti i segnali sono almeno di detrending.

 

Sembra che il MO sia posizionato come un essere (mega-umano) con capacità di supercalcolo e memoria.

Quali segni usa una persona comune per creare un TC? Non ho mai visto una persona guardare un grafico di incrementi e cercare di prevederlo.

12345678
Nuovo commento