Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 340
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
R tem um pacote mxnet muito bom. Mas modelos mais avançados devem ser olhados em Pythone.
Estranho. No outro dia eu estava lendo uma revisão relativamente recente sobre redes neurais e software NS gratuito. Por isso, ali o Python está longe de estar à frente do resto do mundo. É mencionado entre outros, mas, como eu o entendo, não brilha com a diversidade. É uma pena que não tenha guardado a ligação.
Quanto ao R, devido à especialização, falta-lhe completamente a habitual matemática de modelagem - por exemplo, filtragem de sinais, e muitas outras coisas. O que você pode fazer - ou é cantar ou dançar.
Olha para isto, isto, isto e talvez isto.
Nem tudo será claro, mas alguns conceitos básicos sobre as redes neurais serão, assim o esperamos, transmitidos.
Boa sorte.
A propósito, a integração do MT4|5 com R foi feita ou você ainda precisa aplicar uma DLL?
Minha opinião pessoal - neurônica, floresta, regressões - tudo muito fraco para forex.............
Estou atualmente estudando modelos de reconhecimento de padrões que olham para a história para ver como o preço se comportou após padrões semelhantes.............
Mesmo nas minhas pegadas, e pensando da mesma maneira que eu, é engraçado.
O mercado é uma besta interessante, é difícil entendê-lo de uma só vez... Vou te dizer como você pode adicionar um pouco mais de estabilidade ao neuroke. Eu escrevi sobre isso há muito tempo, você tem que adicionar o chamado "ponto de vista crítico".
a receita é esta:
1) levar alguns dados de mercado - pode ser qualquer coisa desde indicadores até o preço
2) pegar uma amostra do treinamento e dividi-la em três partes "A". , "Б" , "Ц"
3) tomar um neurônio na saída do qual é usado um vetor com a probabilidade de uma aula em vez da própria aula; ensinar esteneurônio usando dados de mercado da amostra "A".
4) prever as amostras "B" e "C" com nosso neurônio, obter um vetor de predição das amostras "B" e "C
5) pegar uma nova rede neural e treiná-la novamente com dados de mercado da amostra "B" e adicionar outro vetor de previsões da amostra "B" da antiga rede neural
6) amostra "C" para validação
Experimente, veja como funciona.
filtragem de sinais, e muito mais. E.
Posso ser mais específico? Muito interessante.
Pareceu-me que tudo em R é redundante. A rubrica própria, das estatísticas, não se parece com o matlab, mas tudo parece estar lá...
A propósito, a integração do MT4|5 com R foi feita ou você ainda precisa aplicar uma DLL?
Aqui está uma biblioteca com exemplos. Sem queixas.
Estás a seguir os meus passos e a pensar da mesma forma que eu, é engraçado.
O mercado é uma besta interessante, é difícil entendê-lo de uma só vez... Vou te dizer como você pode adicionar um pouco mais de estabilidade ao neurocircuito, eu escrevi sobre isso há muito tempo, você tem que adicionar um chamado "ponto de vista crítico".
a receita é esta:
1) levar alguns dados de mercado - pode ser qualquer coisa desde indicadores até o preço
2) pegar uma amostra do treinamento e dividi-la em três partes "A". , "Б" , "Ц"
3) tomar um neurônio na saída do qual é usado um vetor com a probabilidade de uma aula em vez da própria aula; ensinar esteneurônio usando dados de mercado da amostra "A".
4) prever as amostras "B" e "C" com nosso neurônio, obter um vetor de predição das amostras "B" e "C
5) pegar uma nova rede neural e treiná-la novamente com dados de mercado da amostra "B" e adicionar outro vetor de previsões da amostra "B" da antiga rede neural
6) amostra "C" para validação
Experimenta, vê o que acontece.
Experimentei-o em árvores - também aí você pode pegar a probabilidade da classe em vez da classe. O esquema é quase teu. Tentei ainda mais: para duas classes dividir a probabilidade não pela metade, mas existem métodos para dividi-la de outra forma. A melhoria é de alguns por cento.
Tudo vazio.
Devemos procurar por preditores que sejam relevantes para o alvo. E não se preocupe com modelos. Com bons palpiteiros, os modelos darão aproximadamente os mesmos resultados.
Podes ser mais específico? Muito interessante.
Pensei que tudo em R era redundante. A rubrica é sua, das estatísticas, não parece ser o matlab, mas tudo parece estar lá...
Especificamente, já disse. Por exemplo - filtragem. Os filtros em R estão ausentes como tal, os filtros no sentido da engenharia de radiocomunicações e todos os softwares de filtragem. Transformação-Z - ausente. As transformações integrais estão ausentes (de todas estas apenas as transformações de Fourier estão presentes). Falta muito R, pelo que deixei de trabalhar com o SciLab há alguns meses. Se tivesse perguntado então, poderia ter sido mais específico).
Isto não é uma falha de R, mas sim uma especificidade. O SciLab também tem os seus próprios inconvenientes (específicos). Os softwares são destinados a resolver diferentes problemas, parcialmente sobrepostos.
Especificamente, já disse. Por exemplo - filtragem. Não há filtros em R como tal, filtros no sentido rádio, e todo o software de filtragem. Transformação-Z - ausente. As transformações integrais estão ausentes (de todas estas apenas as transformações de Fourier estão presentes). Falta muito R, pelo que deixei de trabalhar com o SciLab há alguns meses. Se tivesse perguntado então, poderia ter sido mais específico).
Isto não é uma falha de R, mas sim uma especificidade. O SciLab também tem os seus próprios inconvenientes (específicos). O software tem como objectivo resolver diferentes problemas, parcialmente sobrepostos.
Você está a construir a sua frase incorrectamente. Você escreve: "Eu não consegui encontrar filtros que eu preciso*. Como não sei em que filtros você está interessado, aqui estão alguns de relance:
pacote mFilter - filtro Baxter-King, filtro Butterworth, filtro Christiano-Fitzgerald, filtro Hodrick-Prescott, filtro Trigonométrico de regressão
Pacote FKF - Filtro Fast Kalman
pacote kza -coeff() Kolmogorov-Zurbenko Fourier Transform
e muitos, muitos outros...
Além disso, se você está profundamente envolvido em filtros e conhece fórmulas matemáticas para calculá-lo, não há problema em apenas calculá-lo. Não?
Boa sorte.
Especificamente, já disse. Por exemplo - filtragem. Não há filtros em R como tal, filtros no sentido técnico do rádio e todo o software de filtragem. Transformação-Z - ausente. As transformações integrais estão ausentes (de todas estas apenas as transformações de Fourier estão presentes). Falta muito R, pelo que deixei de trabalhar com o SciLab há alguns meses. Se tivesse perguntado então, poderia ter sido mais específico).
Isto não é uma falha de R, mas sim uma especificidade. O SciLab também tem os seus próprios inconvenientes (específicos). O software tem como objectivo resolver diferentes problemas, parcialmente sobrepostos.
Não é sobre o R, é sobre ti.
Tanto quanto eu entendo, você é proficiente em algumas ferramentas matemáticas e naturalmente tenta usá-las no comércio.
Penso que a outra abordagem é mais correcta: estamos à procura de problemas no comércio, e depois estamos à procura de ferramentas para resolver estes problemas.
R é um sistema especializado para usar estatísticas no comércio, e é por isso que diferentes matlabs, matcads (o skylab não é conhecido de todo) não cotaram como concorrentes para R uma década atrás.
Mais especificamente sobre filtros.
Um colega acima nomeou alguns deles.
Mas os filtros têm tudo a ver com a divisão do sinal de entrada e o primeiro a destacar-se é a tendência. Assim, a suavização, que resulta em destacar o filtro, é o primeiro passo em muitos pacotes R. Existem muitas outras ferramentas de alisamento qualitativamente diferentes que são declaradas como tal, por exemplo, SSA (crawler), wavelets.
Mas na realidade o pseudo-problema dos filtros R que você identificou, tem raízes muito mais profundas.
Porque precisas deles? Um filtro é uma ferramenta auxiliar. E R tem soluções prontas para a construção de unidades de decisão. Podemos designar duas linhas principais: aprendizagem de máquinas e ARMA-ARIMA-ARFIMA-ARCH-GARCH. O que é que os filtros têm a ver com isto?