Tenho uma ideia, quero verificar, mas não conheço a ferramenta para a implementar... Preciso de um algoritmo que possa prever para alguns pontos à frente, digamos para 3 ou 5 (de preferência uma rede neural)
Tenho uma ideia, quero verificar, mas não conheço a ferramenta para a implementar... Preciso de um algoritmo capaz de prever para alguns pontos à frente, digamos para 3 ou 5 (de preferência uma rede neural)
Já trabalhei apenas com classificações antes, por isso nem sequer entendo como deve ser, aconselhar alguém a fazê-lo ou recomendar um pacote em R
p.s. Grande artigo Alexey
Estes são pacotes que extrapolam as tendências existentes, por exemplo, as previsões. As diferentes estrias são muito interessantes.
Quando corri o algoritmo pela primeira vez, em uma pequena quantidade de dados iniciais, não houve resultado positivo, recebi cerca de 50% de erro tanto com o pca y-aware quanto com o pca simples. Agora eu tenho um conjunto mais completo de dados do mt5 - quase todos os indicadores padrão com todos os seus buffers, alguns indicadores são repetidos várias vezes com parâmetros diferentes. Eu criei Expert Advisors para alguns indicadores e os usei para otimizar os parâmetros dos indicadores para uma negociação mais lucrativa. Em tais dados o pca simples ainda comete 50% de erro, mas com o y-aware erro na frente cai visivelmente para 40%. É interessante que o algoritmo y-aware simplesmente toma os dados brutos, e faz um classificador que funciona corretamente em 6 de cada 10 casos. Conclusão - você precisa de mais dados brutos.
Mas é aqui que todos os pontos bons param. Você precisa de 73 componentes padrão para uma precisão de 95%. As cargas de previsão nos componentes flutuam de cima para baixo, sem líderes claros. Ou seja, não há qualquer indicação através da qual certos preditores possam ser seleccionados. O modelo funciona de alguma forma, mas não está claro o que fazer com ele para melhorar os resultados ou como tirar dele a utilidade do preditor.
A importância do componente:
carregamentos de preditores para os 5 primeiros componentes:
Mas a arima toma decisões baseadas em séries temporais e eu preciso do modelo para tomar decisões sobre o meu conjunto de dados, ou seja, matriz com previsões e dar uma previsão sobre a saída para várias barras à frente
Dr.Trader- Eu admiro sinceramente a sua tenacidade, mas na minha humilde opinião isto é um beco sem saída, precisamos de avançar para a qualidade e não para a quantidade.
mytarmailS: Mas arima toma decisões por séries cronológicas e eu preciso do modelo para tomar decisões a partir do meu conjunto de dados, ou seja, matriz com previsões e produzir uma previsão para várias barras à frente
Ninguém o impedirá de treinar um neurônio com vários neurônios de saída - cada um para um horizonte de planejamento diferente. Ao mesmo tempo, será interessante observar os resultados.
Alexey Burnakov: Ninguém o impedirá de treinar uma rede neural com vários neurónios de saída - cada um para um horizonte de planeamento diferente. Ao mesmo tempo, será interessante observar os resultados.
Eu já fiz isso, a rede neural não aprende num horizonte maior com a meta a que eu a defini.
Quando corri o algoritmo pela primeira vez, em uma pequena quantidade de dados iniciais, não houve resultado positivo, recebi cerca de 50% de erro tanto com o pca y-aware quanto com o pca simples. Agora eu tenho um conjunto mais completo de dados do mt5 - quase todos os indicadores padrão com todos os seus buffers, alguns indicadores são repetidos várias vezes com parâmetros diferentes. Eu criei Expert Advisors para alguns indicadores e os usei para otimizar os parâmetros dos indicadores para uma negociação mais lucrativa. Em tais dados o pca simples ainda comete 50% de erro, mas com o y-aware erro na frente cai visivelmente para 40%. É interessante que o algoritmo y-aware simplesmente toma os dados brutos, e faz um classificador que funciona corretamente em 6 de cada 10 casos. Conclusão - você precisa de mais dados brutos.
Mas é aqui que todos os pontos bons param. Você precisa de 73 componentes padrão para uma precisão de 95%. As cargas de previsão nos componentes flutuam de cima para baixo, sem líderes claros. Ou seja, não há qualquer indicação através da qual certos preditores possam ser seleccionados. O modelo funciona de alguma forma, mas não está claro o que fazer com ele para melhorar os resultados ou como tirar dele a utilidade do preditor.
importância dos componentes:
Carregamento de preditores nos primeiros 5 componentes:
E se você pegar os primeiros 10 (mais ou menos) e descartar o resto?
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Olá!
Tenho uma ideia, quero verificar, mas não conheço a ferramenta para a implementar... Preciso de um algoritmo que possa prever para alguns pontos à frente, digamos para 3 ou 5 (de preferência uma rede neural)
Olá!
Tenho uma ideia, quero verificar, mas não conheço a ferramenta para a implementar... Preciso de um algoritmo capaz de prever para alguns pontos à frente, digamos para 3 ou 5 (de preferência uma rede neural)
Já trabalhei apenas com classificações antes, por isso nem sequer entendo como deve ser, aconselhar alguém a fazê-lo ou recomendar um pacote em R
p.s. Grande artigo Alexey
Estes são pacotes que extrapolam as tendências existentes, tais como a previsão. As diferentes estrias são muito interessantes.
Parece bastante sólido.
Então, nenhum resultado útil?
Quando corri o algoritmo pela primeira vez, em uma pequena quantidade de dados iniciais, não houve resultado positivo, recebi cerca de 50% de erro tanto com o pca y-aware quanto com o pca simples. Agora eu tenho um conjunto mais completo de dados do mt5 - quase todos os indicadores padrão com todos os seus buffers, alguns indicadores são repetidos várias vezes com parâmetros diferentes. Eu criei Expert Advisors para alguns indicadores e os usei para otimizar os parâmetros dos indicadores para uma negociação mais lucrativa. Em tais dados o pca simples ainda comete 50% de erro, mas com o y-aware erro na frente cai visivelmente para 40%. É interessante que o algoritmo y-aware simplesmente toma os dados brutos, e faz um classificador que funciona corretamente em 6 de cada 10 casos. Conclusão - você precisa de mais dados brutos.
Mas é aqui que todos os pontos bons param. Você precisa de 73 componentes padrão para uma precisão de 95%. As cargas de previsão nos componentes flutuam de cima para baixo, sem líderes claros. Ou seja, não há qualquer indicação através da qual certos preditores possam ser seleccionados. O modelo funciona de alguma forma, mas não está claro o que fazer com ele para melhorar os resultados ou como tirar dele a utilidade do preditor.
A importância do componente:
carregamentos de preditores para os 5 primeiros componentes:

ARIMA
Mas arima toma decisões por séries cronológicas e eu preciso do modelo para tomar decisões a partir do meu conjunto de dados, ou seja, matriz com previsões e produzir uma previsão para várias barras à frente
Ninguém o impedirá de treinar uma rede neural com vários neurónios de saída - cada um para um horizonte de planeamento diferente. Ao mesmo tempo, será interessante observar os resultados.
Quando corri o algoritmo pela primeira vez, em uma pequena quantidade de dados iniciais, não houve resultado positivo, recebi cerca de 50% de erro tanto com o pca y-aware quanto com o pca simples. Agora eu tenho um conjunto mais completo de dados do mt5 - quase todos os indicadores padrão com todos os seus buffers, alguns indicadores são repetidos várias vezes com parâmetros diferentes. Eu criei Expert Advisors para alguns indicadores e os usei para otimizar os parâmetros dos indicadores para uma negociação mais lucrativa. Em tais dados o pca simples ainda comete 50% de erro, mas com o y-aware erro na frente cai visivelmente para 40%. É interessante que o algoritmo y-aware simplesmente toma os dados brutos, e faz um classificador que funciona corretamente em 6 de cada 10 casos. Conclusão - você precisa de mais dados brutos.
Mas é aqui que todos os pontos bons param. Você precisa de 73 componentes padrão para uma precisão de 95%. As cargas de previsão nos componentes flutuam de cima para baixo, sem líderes claros. Ou seja, não há qualquer indicação através da qual certos preditores possam ser seleccionados. O modelo funciona de alguma forma, mas não está claro o que fazer com ele para melhorar os resultados ou como tirar dele a utilidade do preditor.
importância dos componentes:
Carregamento de preditores nos primeiros 5 componentes:
já fez isso, a rede neural não aprende em um horizonte maior com o objetivo que eu defini
É bom que não tenha aprendido, porque estás a aprender com o barulho. Mas se o fizesse, seria um graal e estaria em verdadeira....
Aqui ocupado a tentar eliminar o barulho. É por isso que aceitamos tantos palpiteiros na esperança de que algo permaneça.