저는 예측 변수를 생성하기 위한 기초로 표준 지표를 사용합니다. 지금까지 이 포럼 주제에서 아이디어를 시도하면서 직접 실험하고 있습니다.
지난 몇 주 동안 이 작업을 수행해 왔으며 이제 다음과 같이 최상의 결과를 얻습니다. (많은 계산, 더 빠르게 만들기 위해 D1 기간에 일반적으로 이 접근 방식을 연구한 다음 더 작은 TF로 전환합니다)
1) mt5에서 csv로 내보내기: ohlc, 시간, 표시기, 마지막 10개 막대 모두. 최근에 가장 새로운 막대부터 시간을 내기 시작했는데, 남은 막대의 시간이 계산되어 새로운 정보를 전달하지 않는 것 같아요. 수백 개의 "기본" 예측 변수가 나옵니다. 필수 학습 결과 - "1" 또는 "0" - 다음 막대에 대한 가격 인상 또는 하락. 지그재그로 모든 것이 불안정하고 어려워 보입니다. 이제 종가를 다루는 것이 더 좋습니다. 전체 모델 훈련 알고리즘을 처음부터 만들면 지그재그와 추세 예측을 수행할 수 있습니다.
2) 사용 가능한 데이터(더하기, 델타, 최소값, 최대값 등)를 사용하여 R에서 다양한 수학 연산을 수행합니다. 이미 1000개 이상의 예측 변수가 있습니다.
srcTable - 예측 변수가 있는 테이블, 마지막 열은 원하는 학습 결과여야 합니다.pruneSig는 -1로 남겨두어야 합니다.
결과적으로 함수는 몇 가지 유용한 정보를 포함하는 테이블의 열 이름이 포함된 목록을 반환합니다. 또는 유용한 것이 없으면 빈 목록입니다. 이 방법은 기사에서 특별히 중요하지 않은 것으로 표시되어 있지만 상당히 적절하며 쓰레기를 아주 잘 걸러냅니다. 또한 결과 목록은 중요도에 따라 더 유용한 것부터 덜 유용한 순으로 정렬됩니다.
4) 함수가 빈 목록을 반환하는 경우 - 두 번째 단계를 다시 수행하고 사용 가능한 데이터에 대해 다른 수학적 조합을 다시 생성한 다음 제거를 위한 세 번째 단계를 수행합니다. 따라서 3~4회 반복해야 합니다. 데이터의 양은 각 반복과 함께 증가하므로 생성되는 새 데이터의 양을 어떻게든 제한하는 것이 좋습니다. 드롭아웃에 대해 이 함수를 변경할 수 있습니다. 그러면 목록이 비어 있는 경우 100개 또는 2개의 최상의 결과를 반환하고 이러한 결과에서만 새 예측자가 생성될 수 있습니다.
5) 또한 기사에 따르면 주요 구성 요소의 모델을 학습해야 합니다. 나는 이것에 문제가 있습니다. 지금까지 훈련된 모델에 대한 최고의 r-제곱은 = 0.1입니다. 이것으로는 충분하지 않습니다. 기사에서 그들은 최소한 0.95가 필요하다고 썼습니다. 그러나 얻은 예측 변수에서 R에서 다른 모델을 훈련할 수 있으며 결과는 더 좋습니다. 나는 뉴런에 대한 가장 많은 경험을 가지고 있으며, 전면 테스트에서 가장 좋은 결과는 약 37%의 오차로 나옵니다. 이론적으로 PCE 모델은 재교육 등 없이 더 안정적이어야 하지만, 지금까지는 이에 대한 예측 변수를 수집할 수 없었습니다.
축하합니다. 결과를 게시해 주셔서 감사합니다.
귀하의 이 게시물이 높이 평가되기를 바랍니다. 아직 결정하지 않은 경우 거래의 기본 문제를 해결하는 방법에 접근하는 것입니다. 이는 과장이 아닙니다.
저는 예측 변수를 생성하기 위한 기초로 표준 지표를 사용합니다. 지금까지 이 포럼 주제에서 아이디어를 시도하면서 직접 실험하고 있습니다.
지난 몇 주 동안 이 작업을 수행해 왔으며 이제 다음과 같이 최상의 결과를 얻습니다. (많은 계산, 더 빠르게 만들기 위해 D1 기간에 일반적으로 이 접근 방식을 연구한 다음 더 작은 TF로 전환합니다)
1) mt5에서 csv로 내보내기: ohlc, 시간, 표시기, 마지막 10개 막대 모두. 최근에 가장 새로운 막대부터 시간을 내기 시작했는데, 남은 막대의 시간이 계산되어 새로운 정보를 전달하지 않는 것 같아요. 수백 개의 "기본" 예측 변수가 나옵니다. 필수 학습 결과 - "1" 또는 "0" - 다음 막대에 대한 가격 인상 또는 하락. 지그재그로 모든 것이 불안정하고 어려워 보입니다. 이제 종가를 다루는 것이 더 좋습니다. 전체 모델 훈련 알고리즘을 처음부터 만들면 지그재그와 추세 예측을 수행할 수 있습니다.
2) 사용 가능한 데이터(더하기, 델타, 최소값, 최대값 등)를 사용하여 R에서 다양한 수학 연산을 수행합니다. 이미 1000개 이상의 예측 변수가 있습니다.
srcTable - 예측 변수가 있는 테이블, 마지막 열은 원하는 학습 결과여야 합니다.pruneSig는 -1로 남겨두어야 합니다.
결과적으로 함수는 몇 가지 유용한 정보를 포함하는 테이블의 열 이름이 포함된 목록을 반환합니다. 또는 유용한 것이 없으면 빈 목록입니다. 이 방법은 기사에서 특별히 중요하지 않은 것으로 표시되어 있지만 상당히 적절하며 쓰레기를 아주 잘 걸러냅니다. 또한 결과 목록은 가장 유용한 것부터 가장 덜 유용한 것까지 중요도에 따라 정렬됩니다.
4) 함수가 빈 목록을 반환하는 경우 - 두 번째 단계를 다시 수행하고 사용 가능한 데이터에 대해 다른 수학적 조합을 다시 생성한 다음 제거를 위한 세 번째 단계를 수행합니다. 따라서 3~4회 반복해야 합니다. 데이터의 양은 각 반복과 함께 증가하므로 생성되는 새 데이터의 양을 어떻게든 제한하는 것이 좋습니다. 드롭아웃에 대해 이 함수를 변경할 수 있습니다. 그러면 목록이 비어 있는 경우 100개 또는 2개의 최상의 결과를 반환하고 이러한 결과에서만 새 예측자가 생성될 수 있습니다.
5) 또한 기사에 따르면 주요 구성 요소의 모델을 학습해야 합니다. 나는 이것에 문제가 있습니다. 지금까지 훈련된 모델에 대한 최고의 r-제곱은 = 0.1입니다. 이것으로는 충분하지 않습니다. 기사에서 그들은 최소한 0.95가 필요하다고 썼습니다. 그러나 얻은 예측 변수에서 R에서 다른 모델을 훈련할 수 있으며 결과는 더 좋습니다. 나는 뉴런에 대한 가장 많은 경험을 가지고 있으며, 전면 테스트에서 가장 좋은 결과는 약 37%의 오차로 나옵니다. 이론적으로 PCE 모델은 재교육 등 없이 더 안정적이어야 하지만, 지금까지는 이에 대한 예측 변수를 수집할 수 없었습니다.
전면 테스트에서 30% 오류가 있는 경우 이미 수익성이 높은 모델입니다. mt5에 대한 어드바이저를 만들고 전략 테스터에서 확인하십시오.
트레이더 박사 : 이 과정을 보기 시작했는데 Python의 Pandas 프레임워크에 대한 많은 관심이 있습니다. 첫 번째 수업은 데이터 분석이 아니라 바로 이 프레임워크에 대한 자습서와 비슷합니다. 그러나 발표자는 다른 많은 쓸모없는 교육에서와 같이 전형적인 "나는 Forex 전문가입니다. 이제 눈을 뜨면 수백만 달러를 벌게 될 것입니다"가 없어도 적절해 보입니다. 이것은 적절한 것이 끝까지 이야기될 것이라는 희망을 줍니다. 그러나 이 과정이 외환이 아니라 주식 거래를 위해 설계되었다는 점을 고려할 가치가 있습니다. 이 두 영역에서 모델을 교육하는 프로세스가 유사한지는 모르겠습니다.
단 하나의 원칙이 있습니다. 무역 뉘앙스가 있습니다. 예를 들어, 실제에 가까운 거래소(슬리피지, 부분 실행, 지연)에 대한 테스트를 허용하는 터미널은 거의 없습니다. 하지만 있습니다. 그러나 내가 이해하는 MT5는 그들에게 적용되지 않습니다.
결과적으로 함수는 몇 가지 유용한 정보를 포함하는 테이블의 열 이름이 포함된 목록을 반환합니다. 또는 유용한 것이 없으면 빈 목록입니다. 이 방법은 기사에서 특별히 중요하지 않은 것으로 표시되어 있지만 상당히 적절하며 쓰레기를 아주 잘 걸러냅니다. 또한 결과 목록은 가장 유용한 것부터 가장 덜 유용한 것까지 중요도에 따라 정렬됩니다.
계산이 완전히 무작위라는 느낌을 남기지 않습니다! 예측자는 쓰레기입니다. 인생은 "수프"에서 태어날 수 있기 때문에 아마도 다이아몬드가 그들 사이에 나타날 것입니다!
이 접근 방식을 사용하면 유능한 계산 최적화가 가능합니다. 무차별 대입이 아니라 더 합리적인 알고리즘이 있을 때. 그러나 입구에는 같은 쓰레기가 있습니다.
1초 만에 계산을 수행할 수 있는 멋진 컴퓨터가 있다면 교육이 전혀 필요하지 않을 것입니다. 그러나 동시에 수익성 있는 TS를 얻는 데 있어 질적 변화는 없을 것입니다. 슬프게도.
계산이 완전히 무작위라는 느낌을 남기지 않습니다! 예측자는 쓰레기입니다. 인생은 "수프"에서 태어날 수 있었기 때문에 아마도 다이아몬드가 그들 사이에 나타날 것입니다!
.... 슬프게도.
당신은 절대적으로 틀렸어!
예를 들어 설명하겠습니다.
우리는 코드 기반을 사용합니다. 모든 것이 쓰레기이거나 가치 있는 것이 있습니다. 결국 매우 많은 사람들이 경험했을 가능성이 큽니다.
이제 확실히 하기 위해 추세를 거래한다고 가정해 보겠습니다. 코드베이스에서 사용 가능한 지표 중 추세 거래에 유용한 지표는 무엇입니까? 이름으로 판단해볼까요, 아니면 직관적으로? 그리고 실제로 시도하기 위해 얼마를 가져갈 수 있습니까? 10, 20, 100? 100은 평생 테스터를 통해서라고 생각합니다.
그러나 가장 중요한 것은 테스트된 지표의 수만이 아닙니다. 가장 중요한 것은 고문이 미래에 일할 것인지 여부입니다. 그리고 고문은 재교육되지 않은 경우(과적합되지 않은 경우) 한 가지 경우에만 앞으로 일할 것입니다. 기계적 거래 시스템 구축의 주요 문제는 과적합의 문제입니다. 얼마나 많은 사람들이 이 문제를 극복할 수 있었습니까?
나는 Dr.Trader 가 손전등에서 예측자를 수집하지 않았지만 약간의 아이디어를 가지고 있다고 생각합니다. 현재로서는 그렇게 많은 예측 변수를 생성한다는 아이디어는 흥미롭지 않습니다.
흥미로운 것은 완전히 다릅니다.
당신이주의를 기울이지 않았다는 것이 흥미 롭습니다.
수천 개의 예측 변수 중에서 Dr.Trader 는 Expert Advisors의 재교육(과적합)으로 이어지지 않는 예측 변수를 선택할 수 있습니다.
그는 과적합된 Expert Advisors의 개발로 이어지지 않을 예측자를 선택하는 방법을 알고 있을 뿐만 아니라 이를 수행하는 코드를 게시했습니다.
예, 여러 면에서 무작위로 조치를 취합니다. 동의합니다. 그러나 하나의 지표를 가지고 조언자를 만들 수는 없습니다. 빠르게 적자 상태에 빠질 것입니다. 지표는 100% 쓰레기는 아니지만 가격 움직임을 예측하기에 충분한 정보를 담고 있지는 않습니다. 그러나 내 연구에서 지표를 결합하여 예측 능력을 높일 수 있다고 결정했습니다. 즉, 쓰레기에서 다이아몬드를 실제로 수집할 수 있습니다. 문제는 가능한 조합이 수천 가지가 있지만 그 중 수십 가지만 유용하고 어떤 지표가 처음에는 다른 지표보다 더 나은지 아직 모른다는 것입니다. 지금까지 이 문제는 앞서 쓴 것처럼 무차별 대입과 긴 계산을 사용하여 해결되고 있습니다. 시간이 지남에 따라 지표가 종종 최종 예측 변수에 속하는 통계를 수집하고 그 지표로만 작업할 수 있으며 모든 것이 더 빨라질 것입니다.
수신된 예측 변수에 대해 Expert Advisor를 만들기 시작했으며 그 결과는 테스터에서 실제로 볼 수 있습니다. 그들은 올바르게 예측된 막대의 60%가 있더라도 여전히 적자가 될 수 있다고 말합니다. 정확하게 예측된 막대의 경우 가격이 잘못된 막대의 경우보다 더 짧은 거리를 이동할 수 있기 때문입니다. 그렇다면 막대의 백분율이 아니라 모델의 수익성을 평가하기 위해 뉴런 훈련을 위한 자체 피트니스 함수를 만들어야 합니다.
예, 여러 면에서 무작위로 조치를 취합니다. 동의합니다. 그러나 하나의 지표를 가지고 조언자를 만들 수는 없습니다. 빠르게 적자 상태에 빠질 것입니다. 지표는 100% 쓰레기는 아니지만 가격 움직임을 예측하기에 충분한 정보를 담고 있지는 않습니다. 그러나 내 연구에서 지표를 결합하여 예측 능력을 높일 수 있다고 결정했습니다. 즉, 쓰레기에서 다이아몬드를 실제로 수집할 수 있습니다. 문제는 가능한 조합이 수천 가지가 있지만 그 중 수십 가지만 유용하고 어떤 지표가 처음에는 다른 지표보다 더 나은지 아직 모른다는 것입니다. 지금까지 이 문제는 앞서 쓴 것처럼 무차별 대입과 긴 계산을 사용하여 해결되고 있습니다. 시간이 지남에 따라 지표가 종종 최종 예측 변수에 속하는 통계를 수집하고 그 지표로만 작업할 수 있으며 모든 것이 더 빨라질 것입니다.
하나의 VR 에서 관계를 찾고 싶습니다. 예, 그리고 이 VR 에 언제든지 존재 해야 하는 그러한 관계.
이 두 가지 상황(굵게 강조 표시된 부분)은 아무리 생각해도 이상해 보입니다.
기계 학습 방법은 사진(개, 오렌지 등)에서 개체를 인식하는 방법을 배웠습니다. 저것들. 인간이나 일부 동물 종들이 인식할 수 있는 것을 인식하는 법을 배웠습니다. 인간이나 동물은 VR 가격을 보면 아무것도 알지 못합니다. 저것들. 어떻게든 그들의 국회에서 비교를 할 수 없습니다. 그러나 휴먼은 여러 VR을 동시에 보면 육안으로도 유사점을 본다. 그리고 이러한 유사성은 실제로 인식됩니다. 따라서 머신 러닝 방법을 선동하는 것은 논리적인 대상에 대한 인식입니다.
먼저 우리는 우리 자신을 깨닫고 알고리즘을 시도합니다 . 제 말을 이해하시리라 생각합니다.
옛날 옛적에 EURGBP는 매우 시원했습니다(수익성). 당신의 NS는 그를 인식하지 못할 것입니다. 밤에 시원함의 이유를 깨달은 이익은 삭감되었다. 그리고 나서 그들은 EURGBP 히스토리의 이러한 조각에 알고리즘을 설정하여 갑자기 쿨하게 된 날짜를 찾습니다. 이 시원함 이전의 데이터로 스탯을 망치지 않기 위해. 탐색을 시작했습니다. 그리고 많은 사람들이 이것으로 좋은 돈을 벌었습니다. 포럼을 읽으십시오.
이제 GOLD/SILVER가 멋지다고 상상해보십시오. 그런 쌍은 없지만 거래할 수 있습니다. 그러나 당신은 자신을 단일 VR로 제한했습니다. 그리고 서로 다른 BP 간의 관계를 찾는 것이 논리적입니다. 그러면 "GOLD/SILVER"가 나타날 수 있습니다. 음, 요일, 요일 등의 간격. 도 큰 역할을 합니다. 사람들의 행동은 하루 중 시간과 요일 에 따라 다릅니다. 이것은 의식적인 데이터이므로 IMHO를 파헤쳐야 합니다.
하나의 VR 에서 관계를 찾고 싶습니다. 예, 그리고 이 VR 에 언제든지 존재 해야 하는 그러한 관계.
...
먼저 우리는 우리 자신을 깨닫고 알고리즘을 시도합니다 . 제 말을 이해하시리라 생각합니다.
...
그러나 당신은 자신을 단일 VR로 제한했습니다. 그리고 서로 다른 BP 간의 관계를 찾는 것이 논리적입니다. 그러면 "GOLD/SILVER"가 나타날 수 있습니다. 음, 요일, 요일 등의 간격. 도 큰 역할을 합니다. 사람들의 행동은 하루 중 시간과 요일 에 따라 다릅니다. 이것은 의식적인 데이터이므로 IMHO를 파헤쳐야 합니다.
우리는 여전히 한 번에 "과거"에 대한 조건부 "미래"의 의존성을 찾으려고 노력하고 있습니다. 열. 그러나 이것이 행 조합에 대해 이 작업을 수행하지 않는다는 의미는 아닙니다.
인식에 대해. 여기에 오렌지의 경우 귀하의 추론이 적용됩니다. 전문가라도 여러 종류의 오렌지를 구별할 수 있습니다.
금융 VR의 경우 규칙성, 즉 전체 가용 기간 동안 VR의 균일한 동작을 구별하는 것이 필요합니다. 예, 때로는 무언가가 보이는 것 같습니다. 그러나 이 지식은 매우 모호하고 종속성 매개변수가 전혀 정의되어 있지 않습니다. 여기에서는 컴퓨터의 도움 없이는 할 수 없습니다. 눈으로 중독을 발견하고 그것을 코딩 한 사람이 없다고 말하는 것은 아니지만.
나는 먼저 많은 쓰레기를 수집한 다음 귀중한 항목을 추출하려는 Dr. Trader의 의견에 동의합니다. 이러한 입력의 값은 모델을 훈련하고 검증하여 테스트됩니다. 소음이 아니라면 검증이 플러스가 될 것입니다. 이것이 전체 기계 학습 과정입니다. )
저는 예측 변수를 생성하기 위한 기초로 표준 지표를 사용합니다. 지금까지 이 포럼 주제에서 아이디어를 시도하면서 직접 실험하고 있습니다.
지난 몇 주 동안 이 작업을 수행해 왔으며 이제 다음과 같이 최상의 결과를 얻습니다. (많은 계산, 더 빠르게 만들기 위해 D1 기간에 일반적으로 이 접근 방식을 연구한 다음 더 작은 TF로 전환합니다)
1) mt5에서 csv로 내보내기: ohlc, 시간, 표시기, 마지막 10개 막대 모두. 최근에 가장 새로운 막대부터 시간을 내기 시작했는데, 남은 막대의 시간이 계산되어 새로운 정보를 전달하지 않는 것 같아요. 수백 개의 "기본" 예측 변수가 나옵니다. 필수 학습 결과 - "1" 또는 "0" - 다음 막대에 대한 가격 인상 또는 하락. 지그재그로 모든 것이 불안정하고 어려워 보입니다. 이제 종가를 다루는 것이 더 좋습니다. 전체 모델 훈련 알고리즘을 처음부터 만들면 지그재그와 추세 예측을 수행할 수 있습니다.
2) 사용 가능한 데이터(더하기, 델타, 최소값, 최대값 등)를 사용하여 R에서 다양한 수학 연산을 수행합니다. 이미 1000개 이상의 예측 변수가 있습니다.
3) 분명히 2단계 이후에는 필요 이상으로 쓰레기가 더 많이 나온다. http://www.r-bloggers.com/principal-components-regression-pt-2-y-aware-methods/ 주요 구성 요소에 대한 기사의 방법에 따라 필터링했습니다. . 저는 PCR 모델 자체를 훈련하지 않습니다. 당분간은 예측 변수의 예비 선별을 위해 다음과 같은 기능에서 멈췄습니다.
srcTable - 예측 변수가 있는 테이블, 마지막 열은 원하는 학습 결과여야 합니다. pruneSig는 -1로 남겨두어야 합니다.
결과적으로 함수는 몇 가지 유용한 정보를 포함하는 테이블의 열 이름이 포함된 목록을 반환합니다. 또는 유용한 것이 없으면 빈 목록입니다. 이 방법은 기사에서 특별히 중요하지 않은 것으로 표시되어 있지만 상당히 적절하며 쓰레기를 아주 잘 걸러냅니다. 또한 결과 목록은 중요도에 따라 더 유용한 것부터 덜 유용한 순으로 정렬됩니다.
4) 함수가 빈 목록을 반환하는 경우 - 두 번째 단계를 다시 수행하고 사용 가능한 데이터에 대해 다른 수학적 조합을 다시 생성한 다음 제거를 위한 세 번째 단계를 수행합니다. 따라서 3~4회 반복해야 합니다. 데이터의 양은 각 반복과 함께 증가하므로 생성되는 새 데이터의 양을 어떻게든 제한하는 것이 좋습니다. 드롭아웃에 대해 이 함수를 변경할 수 있습니다. 그러면 목록이 비어 있는 경우 100개 또는 2개의 최상의 결과를 반환하고 이러한 결과에서만 새 예측자가 생성될 수 있습니다.
5) 또한 기사에 따르면 주요 구성 요소의 모델을 학습해야 합니다. 나는 이것에 문제가 있습니다. 지금까지 훈련된 모델에 대한 최고의 r-제곱은 = 0.1입니다. 이것으로는 충분하지 않습니다. 기사에서 그들은 최소한 0.95가 필요하다고 썼습니다. 그러나 얻은 예측 변수에서 R에서 다른 모델을 훈련할 수 있으며 결과는 더 좋습니다. 나는 뉴런에 대한 가장 많은 경험을 가지고 있으며, 전면 테스트에서 가장 좋은 결과는 약 37%의 오차로 나옵니다. 이론적으로 PCE 모델은 재교육 등 없이 더 안정적이어야 하지만, 지금까지는 이에 대한 예측 변수를 수집할 수 없었습니다.
축하합니다. 결과를 게시해 주셔서 감사합니다.
귀하의 이 게시물이 높이 평가되기를 바랍니다. 아직 결정하지 않은 경우 거래의 기본 문제를 해결하는 방법에 접근하는 것입니다. 이는 과장이 아닙니다.
다른 모든 것이 따를 것입니다.
다시 한 번 축하합니다. 행운을 빕니다!
저는 예측 변수를 생성하기 위한 기초로 표준 지표를 사용합니다. 지금까지 이 포럼 주제에서 아이디어를 시도하면서 직접 실험하고 있습니다.
지난 몇 주 동안 이 작업을 수행해 왔으며 이제 다음과 같이 최상의 결과를 얻습니다. (많은 계산, 더 빠르게 만들기 위해 D1 기간에 일반적으로 이 접근 방식을 연구한 다음 더 작은 TF로 전환합니다)
1) mt5에서 csv로 내보내기: ohlc, 시간, 표시기, 마지막 10개 막대 모두. 최근에 가장 새로운 막대부터 시간을 내기 시작했는데, 남은 막대의 시간이 계산되어 새로운 정보를 전달하지 않는 것 같아요. 수백 개의 "기본" 예측 변수가 나옵니다. 필수 학습 결과 - "1" 또는 "0" - 다음 막대에 대한 가격 인상 또는 하락. 지그재그로 모든 것이 불안정하고 어려워 보입니다. 이제 종가를 다루는 것이 더 좋습니다. 전체 모델 훈련 알고리즘을 처음부터 만들면 지그재그와 추세 예측을 수행할 수 있습니다.
2) 사용 가능한 데이터(더하기, 델타, 최소값, 최대값 등)를 사용하여 R에서 다양한 수학 연산을 수행합니다. 이미 1000개 이상의 예측 변수가 있습니다.
3) 분명히 2단계 이후에는 필요 이상으로 쓰레기가 더 많이 나온다. http://www.r-bloggers.com/principal-components-regression-pt-2-y-aware-methods/ 주요 구성 요소에 대한 기사의 방법에 따라 필터링했습니다. . 저는 PCR 모델 자체를 훈련하지 않습니다. 당분간은 예측 변수의 예비 선별을 위해 다음과 같은 기능에서 멈췄습니다.
srcTable - 예측 변수가 있는 테이블, 마지막 열은 원하는 학습 결과여야 합니다. pruneSig는 -1로 남겨두어야 합니다.
결과적으로 함수는 몇 가지 유용한 정보를 포함하는 테이블의 열 이름이 포함된 목록을 반환합니다. 또는 유용한 것이 없으면 빈 목록입니다. 이 방법은 기사에서 특별히 중요하지 않은 것으로 표시되어 있지만 상당히 적절하며 쓰레기를 아주 잘 걸러냅니다. 또한 결과 목록은 가장 유용한 것부터 가장 덜 유용한 것까지 중요도에 따라 정렬됩니다.
4) 함수가 빈 목록을 반환하는 경우 - 두 번째 단계를 다시 수행하고 사용 가능한 데이터에 대해 다른 수학적 조합을 다시 생성한 다음 제거를 위한 세 번째 단계를 수행합니다. 따라서 3~4회 반복해야 합니다. 데이터의 양은 각 반복과 함께 증가하므로 생성되는 새 데이터의 양을 어떻게든 제한하는 것이 좋습니다. 드롭아웃에 대해 이 함수를 변경할 수 있습니다. 그러면 목록이 비어 있는 경우 100개 또는 2개의 최상의 결과를 반환하고 이러한 결과에서만 새 예측자가 생성될 수 있습니다.
5) 또한 기사에 따르면 주요 구성 요소의 모델을 학습해야 합니다. 나는 이것에 문제가 있습니다. 지금까지 훈련된 모델에 대한 최고의 r-제곱은 = 0.1입니다. 이것으로는 충분하지 않습니다. 기사에서 그들은 최소한 0.95가 필요하다고 썼습니다. 그러나 얻은 예측 변수에서 R에서 다른 모델을 훈련할 수 있으며 결과는 더 좋습니다. 나는 뉴런에 대한 가장 많은 경험을 가지고 있으며, 전면 테스트에서 가장 좋은 결과는 약 37%의 오차로 나옵니다. 이론적으로 PCE 모델은 재교육 등 없이 더 안정적이어야 하지만, 지금까지는 이에 대한 예측 변수를 수집할 수 없었습니다.
전면 테스트에서 30% 오류가 있는 경우 이미 수익성이 높은 모델입니다. mt5에 대한 어드바이저를 만들고 전략 테스터에서 확인하십시오.
이 과정을 보기 시작했는데 Python의 Pandas 프레임워크에 대한 많은 관심이 있습니다. 첫 번째 수업은 데이터 분석이 아니라 바로 이 프레임워크에 대한 자습서와 비슷합니다. 그러나 발표자는 다른 많은 쓸모없는 교육에서와 같이 전형적인 "나는 Forex 전문가입니다. 이제 눈을 뜨면 수백만 달러를 벌게 될 것입니다"가 없어도 적절해 보입니다. 이것은 적절한 것이 끝까지 이야기될 것이라는 희망을 줍니다. 그러나 이 과정이 외환이 아니라 주식 거래를 위해 설계되었다는 점을 고려할 가치가 있습니다. 이 두 영역에서 모델을 교육하는 프로세스가 유사한지는 모르겠습니다.
저는 예측 변수를 생성하기 위한 기초로 표준 지표를 사용합니다.
...
2) 사용 가능한 데이터(더하기, 델타, 최소값, 최대값 등)를 사용하여 R에서 다양한 수학 연산을 수행합니다. 이미 1000개 이상의 예측 변수가 있습니다.
3) 분명히 2단계 이후에는 필요 이상으로 쓰레기가 더 많이 나온다. http://www.r-bloggers.com/principal-components-regression-pt-2-y-aware-methods/ 주요 구성 요소에 대한 기사의 방법에 따라 필터링했습니다. .
...
결과적으로 함수는 몇 가지 유용한 정보를 포함하는 테이블의 열 이름이 포함된 목록을 반환합니다. 또는 유용한 것이 없으면 빈 목록입니다. 이 방법은 기사에서 특별히 중요하지 않은 것으로 표시되어 있지만 상당히 적절하며 쓰레기를 아주 잘 걸러냅니다. 또한 결과 목록은 가장 유용한 것부터 가장 덜 유용한 것까지 중요도에 따라 정렬됩니다.
계산이 완전히 무작위라는 느낌을 남기지 않습니다! 예측자는 쓰레기입니다. 인생은 "수프"에서 태어날 수 있기 때문에 아마도 다이아몬드가 그들 사이에 나타날 것입니다!
이 접근 방식을 사용하면 유능한 계산 최적화가 가능합니다. 무차별 대입이 아니라 더 합리적인 알고리즘이 있을 때. 그러나 입구에는 같은 쓰레기가 있습니다.
1초 만에 계산을 수행할 수 있는 멋진 컴퓨터가 있다면 교육이 전혀 필요하지 않을 것입니다. 그러나 동시에 수익성 있는 TS를 얻는 데 있어 질적 변화는 없을 것입니다. 슬프게도.
한 동료가 기계 학습 과정에 대한 링크를 던졌습니다. 봐주세요. 어떻게 평가하시나요? 이 과정은 무료지만 어떤 이유로 Python에서 젠장할((
https://www.udacity.com/course/machine-learning-for-trading--ud501
모든 것이 여기 에 더 잘 표시됩니다.
행운을 빕니다
계산이 완전히 무작위라는 느낌을 남기지 않습니다! 예측자는 쓰레기입니다. 인생은 "수프"에서 태어날 수 있었기 때문에 아마도 다이아몬드가 그들 사이에 나타날 것입니다!
.... 슬프게도.
당신은 절대적으로 틀렸어!
예를 들어 설명하겠습니다.
우리는 코드 기반을 사용합니다. 모든 것이 쓰레기이거나 가치 있는 것이 있습니다. 결국 매우 많은 사람들이 경험했을 가능성이 큽니다.
이제 확실히 하기 위해 추세를 거래한다고 가정해 보겠습니다. 코드베이스에서 사용 가능한 지표 중 추세 거래에 유용한 지표는 무엇입니까? 이름으로 판단해볼까요, 아니면 직관적으로? 그리고 실제로 시도하기 위해 얼마를 가져갈 수 있습니까? 10, 20, 100? 100은 평생 테스터를 통해서라고 생각합니다.
그러나 가장 중요한 것은 테스트된 지표의 수만이 아닙니다. 가장 중요한 것은 고문이 미래에 일할 것인지 여부입니다. 그리고 고문은 재교육되지 않은 경우(과적합되지 않은 경우) 한 가지 경우에만 앞으로 일할 것입니다. 기계적 거래 시스템 구축의 주요 문제는 과적합의 문제입니다. 얼마나 많은 사람들이 이 문제를 극복할 수 있었습니까?
나는 Dr.Trader 가 손전등에서 예측자를 수집하지 않았지만 약간의 아이디어를 가지고 있다고 생각합니다. 현재로서는 그렇게 많은 예측 변수를 생성한다는 아이디어는 흥미롭지 않습니다.
흥미로운 것은 완전히 다릅니다.
당신이주의를 기울이지 않았다는 것이 흥미 롭습니다.
수천 개의 예측 변수 중에서 Dr.Trader 는 Expert Advisors의 재교육(과적합)으로 이어지지 않는 예측 변수를 선택할 수 있습니다.
그는 과적합된 Expert Advisors의 개발로 이어지지 않을 예측자를 선택하는 방법을 알고 있을 뿐만 아니라 이를 수행하는 코드를 게시했습니다.
당신은 절대적으로 틀렸어!
예를 들어 설명하겠습니다.
우리는 코드 기반을 사용합니다. 모든 것이 쓰레기이거나 가치 있는 것이 있습니다. 결국 매우 많은 사람들이 경험했을 가능성이 큽니다.
물론 쓰레기! 글쎄, 전체 코드 기반을 예측자로 취하십시오 ...
수천 개의 예측 변수 중에서 Dr.Trader 는 Expert Advisors의 재교육(과적합)으로 이어지지 않는 예측 변수를 선택할 수 있습니다.
그는 과적합된 Expert Advisors의 개발로 이어지지 않을 예측자를 선택하는 방법을 알고 있을 뿐만 아니라 이를 수행하는 코드를 게시했습니다.
그리고 다이아몬드는 말할 것도없고 거대한 쓰레기 더미에서 단 하나의 돌도 발견되지 않은 것으로 나타났습니다. 나는 찬성.
아니면 여기 누군가가 그런 지표가 쓰레기가 아니라는 것을 정당화할 수 있습니까? 그리고 이 예측 변수의 상대적 중요성을 숫자로 나타내려면?
예, 여러 면에서 무작위로 조치를 취합니다. 동의합니다. 그러나 하나의 지표를 가지고 조언자를 만들 수는 없습니다. 빠르게 적자 상태에 빠질 것입니다. 지표는 100% 쓰레기는 아니지만 가격 움직임을 예측하기에 충분한 정보를 담고 있지는 않습니다. 그러나 내 연구에서 지표를 결합하여 예측 능력을 높일 수 있다고 결정했습니다. 즉, 쓰레기에서 다이아몬드를 실제로 수집할 수 있습니다. 문제는 가능한 조합이 수천 가지가 있지만 그 중 수십 가지만 유용하고 어떤 지표가 처음에는 다른 지표보다 더 나은지 아직 모른다는 것입니다. 지금까지 이 문제는 앞서 쓴 것처럼 무차별 대입과 긴 계산을 사용하여 해결되고 있습니다. 시간이 지남에 따라 지표가 종종 최종 예측 변수에 속하는 통계를 수집하고 그 지표로만 작업할 수 있으며 모든 것이 더 빨라질 것입니다.
수신된 예측 변수에 대해 Expert Advisor를 만들기 시작했으며 그 결과는 테스터에서 실제로 볼 수 있습니다. 그들은 올바르게 예측된 막대의 60%가 있더라도 여전히 적자가 될 수 있다고 말합니다. 정확하게 예측된 막대의 경우 가격이 잘못된 막대의 경우보다 더 짧은 거리를 이동할 수 있기 때문입니다. 그렇다면 막대의 백분율이 아니라 모델의 수익성을 평가하기 위해 뉴런 훈련을 위한 자체 피트니스 함수를 만들어야 합니다.
예, 여러 면에서 무작위로 조치를 취합니다. 동의합니다. 그러나 하나의 지표를 가지고 조언자를 만들 수는 없습니다. 빠르게 적자 상태에 빠질 것입니다. 지표는 100% 쓰레기는 아니지만 가격 움직임을 예측하기에 충분한 정보를 담고 있지는 않습니다. 그러나 내 연구에서 지표를 결합하여 예측 능력을 높일 수 있다고 결정했습니다. 즉, 쓰레기에서 다이아몬드를 실제로 수집할 수 있습니다. 문제는 가능한 조합이 수천 가지가 있지만 그 중 수십 가지만 유용하고 어떤 지표가 처음에는 다른 지표보다 더 나은지 아직 모른다는 것입니다. 지금까지 이 문제는 앞서 쓴 것처럼 무차별 대입과 긴 계산을 사용하여 해결되고 있습니다. 시간이 지남에 따라 지표가 종종 최종 예측 변수에 속하는 통계를 수집하고 그 지표로만 작업할 수 있으며 모든 것이 더 빨라질 것입니다.
하나의 VR 에서 관계를 찾고 싶습니다. 예, 그리고 이 VR 에 언제든지 존재 해야 하는 그러한 관계.
이 두 가지 상황(굵게 강조 표시된 부분)은 아무리 생각해도 이상해 보입니다.
기계 학습 방법은 사진(개, 오렌지 등)에서 개체를 인식하는 방법을 배웠습니다. 저것들. 인간이나 일부 동물 종들이 인식할 수 있는 것을 인식하는 법을 배웠습니다. 인간이나 동물은 VR 가격을 보면 아무것도 알지 못합니다. 저것들. 어떻게든 그들의 국회에서 비교를 할 수 없습니다. 그러나 휴먼은 여러 VR을 동시에 보면 육안으로도 유사점을 본다. 그리고 이러한 유사성은 실제로 인식됩니다. 따라서 머신 러닝 방법을 선동하는 것은 논리적인 대상에 대한 인식입니다.
먼저 우리는 우리 자신을 깨닫고 알고리즘을 시도합니다 . 제 말을 이해하시리라 생각합니다.
옛날 옛적에 EURGBP는 매우 시원했습니다(수익성). 당신의 NS는 그를 인식하지 못할 것입니다. 밤에 시원함의 이유를 깨달은 이익은 삭감되었다. 그리고 나서 그들은 EURGBP 히스토리의 이러한 조각에 알고리즘을 설정하여 갑자기 쿨하게 된 날짜를 찾습니다. 이 시원함 이전의 데이터로 스탯을 망치지 않기 위해. 탐색을 시작했습니다. 그리고 많은 사람들이 이것으로 좋은 돈을 벌었습니다. 포럼을 읽으십시오.
이제 GOLD/SILVER가 멋지다고 상상해보십시오. 그런 쌍은 없지만 거래할 수 있습니다. 그러나 당신은 자신을 단일 VR로 제한했습니다. 그리고 서로 다른 BP 간의 관계를 찾는 것이 논리적입니다. 그러면 "GOLD/SILVER"가 나타날 수 있습니다. 음, 요일, 요일 등의 간격. 도 큰 역할을 합니다. 사람들의 행동은 하루 중 시간과 요일 에 따라 다릅니다. 이것은 의식적인 데이터이므로 IMHO를 파헤쳐야 합니다.
하나의 VR 에서 관계를 찾고 싶습니다. 예, 그리고 이 VR 에 언제든지 존재 해야 하는 그러한 관계.
...
먼저 우리는 우리 자신을 깨닫고 알고리즘을 시도합니다 . 제 말을 이해하시리라 생각합니다.
...
그러나 당신은 자신을 단일 VR로 제한했습니다. 그리고 서로 다른 BP 간의 관계를 찾는 것이 논리적입니다. 그러면 "GOLD/SILVER"가 나타날 수 있습니다. 음, 요일, 요일 등의 간격. 도 큰 역할을 합니다. 사람들의 행동은 하루 중 시간과 요일 에 따라 다릅니다. 이것은 의식적인 데이터이므로 IMHO를 파헤쳐야 합니다.
우리는 여전히 한 번에 "과거"에 대한 조건부 "미래"의 의존성을 찾으려고 노력하고 있습니다. 열. 그러나 이것이 행 조합에 대해 이 작업을 수행하지 않는다는 의미는 아닙니다.
인식에 대해. 여기에 오렌지의 경우 귀하의 추론이 적용됩니다. 전문가라도 여러 종류의 오렌지를 구별할 수 있습니다.
금융 VR의 경우 규칙성, 즉 전체 가용 기간 동안 VR의 균일한 동작을 구별하는 것이 필요합니다. 예, 때로는 무언가가 보이는 것 같습니다. 그러나 이 지식은 매우 모호하고 종속성 매개변수가 전혀 정의되어 있지 않습니다. 여기에서는 컴퓨터의 도움 없이는 할 수 없습니다. 눈으로 중독을 발견하고 그것을 코딩 한 사람이 없다고 말하는 것은 아니지만.
나는 먼저 많은 쓰레기를 수집한 다음 귀중한 항목을 추출하려는 Dr. Trader의 의견에 동의합니다. 이러한 입력의 값은 모델을 훈련하고 검증하여 테스트됩니다. 소음이 아니라면 검증이 플러스가 될 것입니다. 이것이 전체 기계 학습 과정입니다. )
다음과 같은 원시 입력을 시도했습니다.
> names(sampleA)
[1] "lag_diff_2" "lag_diff_3" "lag_diff_4" "lag_diff_6" "lag_diff_8" "lag_diff_11" "lag_diff_16"
[8] "lag_diff_23" "lag_diff_32" "lag_diff_45" "lag_diff_64" "lag_diff_91" "lag_diff_128" "lag_diff_181"
[15] "lag_diff_256" "lag_diff_362" "lag_diff_512" "lag_diff_724" "lag_mean_diff_2" "lag_mean_diff_3" "lag_mean_diff_4"
[22] "lag_mean_diff_6" "lag_mean_diff_8" "lag_mean_diff_11" "lag_mean_diff_16" "lag_mean_diff_23" "lag_mean_diff_32" "lag_mean_diff_45"
[29] "lag_mean_diff_64" "lag_mean_diff_91" "lag_mean_diff_128" "lag_mean_diff_181" "lag_mean_diff_256" "lag_mean_diff_362" "lag_mean_diff_512"
[36] "lag_mean_diff_724" "lag_max_diff_2" "lag_max_diff_3" "lag_max_diff_4" "lag_max_diff_6" "lag_max_diff_8" "lag_max_diff_11"
[43] "lag_max_diff_16" "lag_max_diff_23" "lag_max_diff_32" "lag_max_diff_45" "lag_max_diff_64" "lag_max_diff_91" "lag_max_diff_128"
[50] "lag_max_diff_181" "lag_max_diff_256" "lag_max_diff_362" "lag_max_diff_512" "lag_max_diff_724" "lag_min_diff_2" "lag_min_diff_3"
[57] "lag_min_diff_4" "lag_min_diff_6" "lag_min_diff_8" "lag_min_diff_11" "lag_min_diff_16" "lag_min_diff_23" "lag_min_diff_32"
[64] "lag_min_diff_45" "lag_min_diff_64" "lag_min_diff_91" "lag_min_diff_128" "lag_min_diff_181" "lag_min_diff_256" "lag_min_diff_362"
[71] "lag_min_diff_512" "lag_min_diff_724" "lag_sd_2" "lag_sd_3" "lag_sd_4" "lag_sd_6" "lag_sd_8"
[78] "lag_sd_11" "lag_sd_16" "lag_sd_23" "lag_sd_32" "lag_sd_45" "lag_sd_64" "lag_sd_91"
[85] "lag_sd_128" "lag_sd_181" "lag_sd_256" "lag_sd_362" "lag_sd_512" "lag_sd_724" "lag_range_2"
[92] "lag_range_3" "lag_range_4" "lag_range_6" "lag_range_8" "lag_range_11" "lag_range_16" "lag_range_23"
[99] "lag_range_32" "lag_range_45" "lag_range_64" "lag_range_91" "lag_range_128" "lag_range_181" "lag_range_256"
[106] "lag_range_362" "lag_range_512" "lag_range_724" "symbol" "month" "day" "week_day"
[113] "hour" "minute" "future_lag_2" "future_lag_3" "future_lag_4" "future_lag_6" "future_lag_8"
[120] "future_lag_11" "future_lag_16" "future_lag_23" "future_lag_32" "future_lag_45" "future_lag_64" "future_lag_91"
[127] "future_lag_128" "future_lag_181" "future_lag_256" "future_lag_362" "future_lag_512" "future_lag_724"
시간과 모든 종류의 가격 변동 지표가 있습니다. 그런 다음 그는 또한 상영을했습니다. 자, 무슨 일이 일어났는지 보세요.
이것은 훈련된 기계에서 R로 신호를 가져오는 EA의 일부입니다. 선택된 입력이 거기에 표시됩니다. 그리고 우선, 거래가 열리는 시간입니다. 내 말은, 시간이 본질입니다!
이것은 1999.02에서 2016.06까지의 전체 기록에 대한 EA 테스트입니다.
비뚤어진 것으로 판명되었지만 표시된 입력에서 기계는 여전히 노이즈가 아니라 종속성을 학습합니다.
그러므로 우리는 흑자에 있다. 적어도 우리는 실험 결과를 개선하고 있습니다.