記事についてのディスカッション - ページ 2

新しいコメント
 

コンバージド・ネットワークは トレーディングには適さない。

取引では、今買うべきか売るべきか、つまり0本目のバーまたは画像の右端のボーダーで判断する必要があります。

畳み込みネットワークは0バーに縛られない。この畳み込みネットワークは、絵の中に特定のパターン（たとえば子猫）があるかという質問に答える。どんな場所でも、右端に固定されているわけではない。そして、写真の中に子猫がいる限り（右側、真ん中、左側）、子猫がいることを知らせる。

例えば、彼女は50バーと100バーの買いのパターンを見つけた。明らかに、50小節と100小節では、買い取引を開始するには遅すぎます。稀に、買いパターンが右肩上がりになることがあるが、その場合は、今すぐ取引を行うのが正解である。

もちろん、売りのパターンもすべての（またはほとんどすべての）画像に表示されます。例えば、0バーでは買い、50バー前では売り。そして80小節前も買い、など。つまり、各画像には複数の買いパターンと複数の売りパターンが含まれている可能性が高い。それらを平均すると、予測確率は50% + 10%程度になります。つまり、この絵には買いが3カ所、売りが4カ所ある、と解読できる。売りの確率は4/7=57%である。しかし、0番目のバーで今すぐ取引を開始するという決定にはなりません。

しかし、一般に、絵で判断することは面白い。
 
elibrarius:

コンバージド・ネットワークはトレーディングには適さない。

取引では、今買うべきか売るべきか、つまり0本目のバーまたは画像の右端のボーダーで判断する必要があります。

畳み込みネットワークは0バーに縛られない。この畳み込みネットワークは、絵の中に特定のパターン（たとえば子猫）があるかという質問に答える。どんな場所でも、右端に固定されているわけではない。そして、写真の中に子猫がいる限り（右側、真ん中、左側）、子猫がいることを知らせる。

例えば、彼女は50バーと100バーの買いのパターンを見つけた。明らかに、50小節と100小節では、買い取引を開始するには遅すぎます。稀に、買いパターンが右肩上がりになることがあるが、その場合は、今すぐ取引を行うのが正解である。

もちろん、売りのパターンもすべての（またはほとんどすべての）画像に表示されます。例えば、0バーでは買い、50バー前では売り。そして80小節前も買い、など。つまり、各画像には複数の買いパターンと複数の売りパターンが含まれている可能性が高い。それらを平均すると、予測確率は約50%になります。

この目的のために、コンボリューションとlstmが組み合わされる。

 
Maxim Dmitrievsky:

この目的のために、コンボリューションとlstmが組み合わされる。

例えば、上昇トレンド→反転パターン→ 下降トレンド→反転パターン→買いシグナルという順次的な組み合わせです。

また、lstmを使わなくても、反転パターンがウィンドウの端で、トレンドが真ん中で検索されるように特別なアーキテクチャを構築することで、面白い方法でそれを行うことができます。

 
Aleksey Mavrin:

例えば、上昇トレンド→反転パターン→下降トレンド→反転パターン→買いシグナルの順で組み合わせる。

そして、lstmがなくても、反転パターンがウィンドウの端で検索され、トレンドが真ん中で検索されるように特別なアーキテクチャを構築することによって、面白い方法でそれを行うことができます。

絵で時系列を 教えるのはハイテクをやりすぎだとは思わないが、絵に記号を追加して、ある絵から何を得たいかを指定することもできるだろう。

 

とても良い記事だ！ありがとう！

 
Kラインの画像を入力し、MLで将来の動きを予測しようとしたが、損失結果が収束しない。
 
GPUカーネルで 何度かトラブルがあったので、その間にCPUで作業し、未見のデータで良い結果を得た。素晴らしい貢献だ！ありがとう。
 
アンドレイ、君のアプローチに感謝するよ！

僕は今、最大限のパフォーマンスを引き出そうと努力しているところなんだ。意味のある結果が得られたら、それについて報告します。
 

面白い仕事だ。

写真を保存/表示するとき、私が理解しているように、ターミナルで有効になっているオートスケーリングを使用しますが、これはモーション・フォースに関する情報を破壊します。多分、単一のサイズ - 高さの設定されたポイント数に - を作る？

 

皆さん、どなたかpythonのトレーディングロボットのソースを持っていますか？

魚自体に興味があり、強化された私のニューロンカになると考えているのですが...。

ただ、一から全部書くのは面倒なんだ。）

123
新しいコメント