Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 287
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Ainda preciso de muito treino para poder manter uma conversa contigo sobre este assunto... E você não precisa usar neurônica, você também pode usar Forrest, é mais fácil de anexar o alvo
...
Em geral, tudo, mas há uma nuance - aqueles otimizadores que eu tentei não conseguem lidar com pesos, eles apenas encontram um mínimo local quando todos os resultados serão iguais a 0,5 para minimizar o erro médio, e neste ponto eles ficam presos. Tens de aplicar algum truque aqui, não tenho mais do que isso.
Quanto mais complexa é a estrutura da neurônica - mais pesos haverá, e mais difícil é para o algoritmo de otimização encontrá-los, para grandes neurônicos eles simplesmente se tornam estúpidos e quase não melhoram o resultado inicial.
A resposta não é assim tão simples. Aqui está uma maneira, por exemplo, com um neurônio, mas você precisa entender como o neurônio funciona, que fórmulas ele tem, etc.
Suponha que você tem um simples neurônio...
код
O código acima pode ser empurrado para o otimizador...
Que história você está contando))))
Por que não gostaste das mochilas, se não é segredo? Mais precisamente, no caso de uma camada e um alvo, tudo é muito simplificado, iterativamente você precisa subtrair o erro multiplicado pelo intput à convergência dos pesos, a regra do delta é chamada, ou regra Heb, eu não me lembro exatamente. Wt = Wt-1 - lernrate*error*Input, em geral, a descida de declive habitual
Não foi você, há não muito tempo, num ramo onde se discutia o optimizador de MT, que demonstrou o seu super-algoritmo em R? Não funciona?
Eu, sim, não.
O que há de errado com a retropropulsão, se não é segredo?
Eu sei como graduar a descida, mas isso requer um alvo para cada exemplo de treinamento específico - considere o resultado para o exemplo de treinamento, e pesos yank na direção da derivada para aproximar o resultado do real. E assim, por sua vez, todos os exemplos de treino.
E este código foi a resposta à pergunta o que fazer se você não estabelecer um objetivo e quiser apenas ensinar o neurônio a negociar no lado do lucro. Deixe-o julgar por si mesmo onde é melhor comprar ou vender, desde que o lucro seja rentável.
Então nós damos-lhe ohlc incrementos por barras, obtemos previsões do que fazer na próxima barra, simulamos a negociação com base nas previsões e encontramos a razão de negociação escarpada. Esta proporção embaralha é a única estimativa que é dada ao neurônio em todo o conjunto de dados de entrada.
O otimizador otimizará os pesos do neurônio para que a proporção aumente.
Se você encontrar gradientes de pesos no que diz respeito à relação de acuidade - você pode fazer descida de gradiente, será muito melhor do que mudar de peso cegamente.
Eu, sim, não.
Entre as centenas de milhares de pacotes em R, não há um que possa fazer o trabalho com resultados satisfatórios?
Entre centenas de milhares de embalagens em R, não há uma que possa resolver o problema de forma satisfatória?
Há pacotes que são garantidos para resolver este problema, mas eu não tenho tempo para esperar meses por um resultado, eu idealmente preciso fazê-lo em um fim de semana.
Esta tecnologia não é para o computador de casa.
Há pacotes que são garantidos para resolver este problema, mas eu não tenho tempo para esperar meses por um resultado, eu idealmente preciso fazer isso em um fim de semana.
Esta tecnologia não é para o computador de casa.
- O quê, o carro não pega bem?
- Não, começa bem, mas leva muito tempo.
Se a tecnologia não resolver o problema num tempo aceitável, significa que a tecnologia não existe.
Quantos parâmetros a optimizar, em que intervalo e em que incrementos se deve optimizar?
dados do saldo histórico de compradores vs. vendedores do onada aquihttps://www.oanda.com/forex-trading/analysis/historical-positions
traçou e calculou a correlação do equilíbrio com o preço
layout(1:2)
plot(oanda$price ,t="l" , main = "EUR")
plot(oanda$pct_long ,t="l" , main = "balanse",col=2)
abline(h = 50)
cor(oanda$pct_long , oanda$price)
coeficiente de correlação -0,76
É interessante notar que o preço se move na direção oposta, nem mesmo em relação ao equilíbrio em valores absolutos, mas em relação à dinâmica da mudança de equilíbrio...
Exatamente essa mesma mecânica é usada em outros mercados altamente líquidos, esse equilíbrio pode ser visto de outras formas, por exemplo, no vidro de mercado. Tenho a certeza que muitas pessoas o sabem, admito que eu próprio o sei há provavelmente 6 anos, mas escrevi-o para aqueles que não o sabiam, será útil e interessante.
Se o equilíbrio faz o mercado girar, talvez seja melhor prever o equilíbrio em vez do preço. De qualquer forma, a previsão de preços nas estratégias de negociação nada mais é do que a previsão das ações dos traders no futuro, por mais banal e trivial que pareça, mas quando você começa a pensar como você pode prever a multidão, torna-se mais interessante.... Eu acho que para entender a multidão no início você deve entender a si mesmo, porque nós somos a multidão ... Como prevê uma multidão? Qual é a sua opinião?
Por alguma razão, a conversa se desvia constantemente para uma discussão sobre os méritos e deméritos de certos modelos.
Embora a minha experiência não me diga muito que a contribuição para o sucesso do comércio é muito pequena.
É a definição do alvo e dos seus preditores que o define.
No exemplo de ZZ, tentei muitas vezes mostrar que mesmo uma variável-alvo tão óbvia, ilustrativa e bonita como ZZ não é a mesma e tem obstáculos intransponíveis num escrutínio mais atento.
Se falamos de preditores, é bastante óbvio para mim, como pessoa que esteve envolvida em economia toda a sua vida, que:
Se nos concentrarmos apenas em resolver estes dois fundamentos para a previsão econômica e forex, então o sucesso só virá destes dois parâmetros. E selecionar o modelo mais adequado ao alvo e seus preditores só pode melhorar marginalmente o desempenho, pode dar algumas considerações válidas sobre a vida útil do modelo, sem necessidade de treinamento adicional.
Mais uma vez, peço um foco na variável alvo e a justificação dos preditores para esta variável alvo em particular.
De acordo.
E este código foi a resposta à pergunta o que fazer se você não definir o objetivo e quiser apenas ensinar o neurônio a negociar pelo lado positivo. Deixe-o decidir por si mesmo onde é melhor comprar e onde é melhor vender - desde que o lucro seja rentável.
Então nós damos-lhe ohlc incrementos por barras, obtemos previsões do que fazer na próxima barra, simulamos a negociação com base nas previsões e encontramos a razão de negociação escarpada. Esta proporção embaralha é a única estimativa que é dada ao neurônio em todo o conjunto de dados de entrada.
O otimizador otimizará os pesos do neurônio para que a proporção aumente.
Se você encontrar gradientes de pesos em relação à relação de sharpe - você pode fazer uma fuga gradiente, será muito melhor do que mudar cegamente os pesos.
Para ser honesto eu não tentei, por alguma razão pareceu imediatamente como alquimia, não é uma idéia muito boa, para um perseptrão de uma camada com um pequeno número de instâncias, talvez algo será terrivelmente lento, multicamadas não funcionará, IMHO é de pouca utilidade. Além da rentabilidade da TS depender diretamente da previsão de retorno total por N barras à frente, é impossível corrigir a má previsão, para otimizar toda uma estratégia é muito mais arriscado enganar a si mesmo.