Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 545
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
especialmente se utilizarmos o agrupamento multidimensional, podemos tentar alimentar vectores com características e vectores com um desfasamento de, digamos, incrementos... para os dividir em grupos - que características correspondem a que incrementos no futuro
e depois aplicar a este conjunto para treinamento de NS, por exemplo... ou seja, como mineração de dados
Sim, exactamente antes do treino ... ou como uma coisa separada para o TS
A propósito, em muitos pacotes python (também deve haver alguns em R) existe algo além do tamanho_de_lote - como time_steps, ele é usado apenas na análise de séries temporais. Ou seja, uma matriz de duração de passos_tempo é imediatamente alimentada para a entrada, que é levada em conta dentro dos tensores dentro do modelo.
Posso ficar um pouco surpreendido por ver que não estou habituado a este tipo de coisas:
Os mercados estão interligados, de modo que o capital flui dentro de todo um sistema. Portanto, se você tiver um bom modelo profundo e recursos computacionais, é claro, esses movimentos de massas de dinheiro podem ser pegos.
especialmente se utilizarmos o agrupamento multidimensional, podemos tentar alimentar vectores com características e vectores com um desfasamento de, digamos, incrementos... para os dividir em grupos - que características correspondem a que incrementos no futuro
e depois aplicar a este conjunto para treinamento NS, por exemplo... ou seja, como datamining
Sim, exactamente antes do treino ... ou como uma coisa separada para o TS
E quanto à mineração de dados, gostei da ideia do @Mihail Marchukajtes sobre opções e o sorriso de volatilidade. Só que houve um engate com o analisador.
Até agora eu tenho algum tipo de mistura desconhecida de modelo autoregressivo super-optimizado + elementos adaptativos... coisas desconhecidas mas divertidas, eu coloco em tudo que aprendo :)
funciona, mas nem sempre.
Vou tentar alguma análise intermarket quando ficar sem ideias, ou informações externas como opções. Se eu aprendi algo novo, funciona, mas nem sempre quando fico sem ideias.
Você encontra o problema se quiser levar o spread em conta. E você precisa do spread se estiver a fazer alguma coisa a fazer pipsing.
Assim, ao treinar, os dados são descarregados do histórico através do CopySpread, e há o spread mínimo na barra. E porque o MOE conduz a análise pobar, então para contabilizar corretamente o spread, ele é necessário no momento em que os cálculos são feitos, ou seja, Aberto, Fechado, Alto ou baixo (dependendo do que você quer adicionar este spread). Por exemplo, eu trabalho com preços abertos. E, claro, o spread mínimo num bar quase nunca é igual ao spread no momento da abertura do bar. Como resultado, o TP ou SL pode ser 10-20 pontos diferentes daquele que será definido na realidade. Ou seja, a rentabilidade do sistema será bastante diferente do que o modelo MO assume.
Como resultado, o treinamento com spreads mínimos na barra não pode ser reproduzido na realidade.
Ou seja, temos um problema em dois lugares:
1 - na história, na qual aprendemos (os spreads são diferentes).
2 - no momento do negócio (se a decisão for tomada no momento da abertura de um bar). Diferentes spreads darão diferentes TP e SL.Notei esta peculiaridade ao comparar os resultados do modelo treinado em preços abertos e em carrapatos reais. A diferença é muito grande. Ou seja, no comércio real, a diferença também será grande.
Ou não usar spreads (rejeitando assim a possibilidade de usar scalping a partir das capacidades de um sistema ensinável), ou recolher matrizes para treinamento em carrapatos reais e depois testá-los em carrapatos reais - leva muito mais tempo do que abrir um teste de preço. Como alternativa, para acelerar o processo, podemos criar previamente um símbolo personalizado, passando por carrapatos reais e recolhendo os spreads necessários.
Eu olho para os modelos MO até agora: O modelo dá a decisão de entrar ou não, e o resto é uma questão de gestão de dinheiro e estratégia de negociação.
Em resumo: pontos de entrada, rácios de lucro, contagem de pips não são tudo para um modelo simples.Especialmente as redes neurais aprendem bem com a história do candelabro.
Se transferirmos a selecção dos pontos de entrada/saída ou quaisquer outros detalhes para o MetaTrader 2, eu fá-lo-ia com o segundo modelo. Ou complicar o modelo, em cujo caso apenas a aprendizagem profunda com tensores paralelos funcionará de forma eficaz.
Eu olho para os modelos MO até agora: o modelo dá a decisão de entrar ou não, todo o resto é uma questão de gestão de dinheiro e estratégia de negociação.
Em resumo: pontos de entrada, taxas de lucro, contagem de pip - tudo não é para um modelo simples.Além disso, as redes neurais aprendem bem com a história do candelabro.
Se transferirmos a selecção dos pontos de entrada/saída ou quaisquer outros detalhes para o MetaTrader 2, eu fá-lo-ia com o segundo modelo. Neste caso, só será eficaz uma aprendizagem profunda com tensores paralelos.
Já tentaste o profeta do facebook?
Por alguma razão, a minha liba teimosamente recusa-se a instalar, coloca anaconda, python... fica pendurada na fase de instalação e pronto. a liba do meu amigo funciona
bem, apenas mais um interessante
http://pythondata.com/stock-market-forecasting-with-prophet/
Já tentaste o profeta do facebook?
Por alguma razão, a minha liba teimosamente recusa-se a instalar, coloca anaconda, python... fica pendurada na fase de instalação e pronto. a liba do meu amigo funciona
bem, apenas mais um interessante
http://pythondata.com/stock-market-forecasting-with-prophet/
Eu li estes artigos e, para ser honesto, não estou impressionado com a abordagem do Dr. Brown.
A biblioteca, por outro lado, é interessante. Tenho a certeza de que será interessante ver através de modelos de tendências.
Por agora vou ficar com o Keras. Especialmente o treinamento com reforço é fácil de implementar junto com o Keras-RL.
Nota sobre a instalação, ao usar o Anaconda, os pacotes devem ser instalados através de "conda" ao invés de "pip".
Por alguma razão, a minha liba recusa-se teimosamente a instalar...
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
Não chore 4 para um jogo "avançado" para o vr.
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
algo interessante... para python não consigo encontrar
já tenho muitas coisas amontoadas, é hora de construir um novo bot :)
Nota sobre a instalação, ao usar o Anaconda, os pacotes devem ser instalados através de "conda" ao invés de "pip".
Sim, eu fiz via conduto e fiz via pip em píton nu... Eu tenho um bug no próprio sistema, ele não pode construir e compilar o que eu baixei... talvez eu precise de voltar a baixá-lo à mão.
isso não é motivo de preocupação.