Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1106
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
Os pequenos chamamos um apartamento, os grandes uma tendência...
Mas aqui novamente a questão é o que são pequenos e grandes movimentos, em relação ao que são pequenos ou grandes?
De facto, esta pergunta dá a resposta porque é que os sistemas paramétricos e os mo's entre eles nunca funcionarão com dados de mercado não processados
Bem, não há definições claras - onde é um apartamento, onde é uma tendência, pequeno ou grande. Para algumas aplicações pequenas, para outras grandes.
Defina o que é pequeno para si (o seu sistema) e o que é grande em qualquer unidade em particular, e tudo se encaixará imediatamente.
Seja como for, o acordo é o seguinte. Eu comecei a usar o boosting porque além da precisão e alta generalização neste modelo de construção de algoritmos é mais inequívoco. O método também é mais fácil de configurar, devido ao pequeno número de parâmetros externos específicos. A única desvantagem é a carga de memória no cálculo e, portanto, o tamanho do modelo aumenta em dezenas ou centenas de megabytes, dependendo do número de iterações. Após a comparação com métodos de floresta aleatória e redes neurais rasas, cheguei à conclusão de que o impulso é mais preferível para tarefas de classificação.
Eu testei muitos palpiteiros. São principalmente séries temporais sequenciais construídas a partir dos mais diversos indicadores e suas combinações. Testei-o no modo de múltiplas moedas (27 moedas) usando o método do programa, tendo em conta o spread real (2 pontos). Prazo - uma hora. Na saída - uma classe binária, calculada utilizando um sinal em ziguezague com uma profundidade de passo de 100 pontos. Quase todos os resultados são negativos. Se excluirmos o spread, a vantagem pode ser significativa. Como opção, você poderia tentar tomar um tempo maior.
Pensei em como desenvolver mais o estudo:
1. tente um ziguezague de outro tipo ou com parâmetros diferentes na saída.
2. utilizar sinais de componentes cíclicos extraídos pelo método de Fourier ou filtros de onda na saída.
3. usar valores reais do indicador de saída (regressão). Por exemplo, diferença de preço dos castiçais de fecho e abertura, alteração de preço para vários bares à frente.
4. utilizar dados inconsistentes como preditores, por exemplo, pontos ou níveis chave
5. filtrar a amostragem inicial por vários indicadores (Volumе ou indicadores ATR), ou seja, comboio apenas para trabalhar em determinadas partes do mercado.
Terei todo o prazer em receber as suas sugestões e opiniões.
Estou à espera que alguém alcance um resultado a partir das muitas palavras inteligentes expressas neste tópico, eu pessoalmente não preciso nem de código fonte nem de algoritmos, mas sim do resultado do MO na forma de um sinal congelado ou de screenshots num par de dias. Mas até agora tudo o que temos feito é falar, e sem nenhuma razão.
Sobre flat e MO, na verdade a IA encontrará o comportamento probabilístico necessário no momento atual do processo de aprendizagem se será um flat ou um pulso. Por isso não vejo nenhum sentido em escrever algoritmos separados para determinar o apartamento, é uma actividade inútil.
Se você não sabe o que fazer com o mercado, você não receberá sinais ou relatórios financeiros. Nem penses nisso. Não há e não haverá nada além de conversa.
Quanto ao MO, estes métodos não têm nada a ver com IA. E os métodos de MO não encontrarão nada por si mesmos, a menos que você mostre e diga a eles o que procurar e onde procurar. Caso contrário, será como em uma frase banal: lixo dentro - lixo fora, e nada mais. Independentemente do que os gurus de origem local possam dizer, um dos principais problemas com a aplicação de MO é a preparação de dados representativos. E todos os tipos de divisões de tendências podem ser necessárias para preparar tais dados, em vez de alimentar indiscriminadamente tudo com a entrada do MO.
À espera que alguém seja capaz de sair dos muitos espertos
Waiting, waiting....
Abra já os olhos ))))
Aqui está um exemplo de uma rede neural em níveis.
Vermelho sobre-vendido, verde sobre-comprado...
Olha para a imagem antes, a UE foi comprada em excesso e aqui está a reacção
(A previsão é ao vivo)
Waiting, waiting....
Abra já os olhos))
Aqui está um exemplo de uma rede neural em níveis.
Vermelho sobre-vendido, verde sobre-comprado...
Olha para a imagem antes, a UE foi comprada em excesso e aqui está a reacção
previsão ao vivo).
Agora vamos traçar uma linha de regressão e estabelecer um canal e todos estes níveis vão coincidir com os limites do canal. E o sobre-comprado/sobre-vendido não será mais necessário.
Nenhum trader que trabalha de verdade, no seu perfeito juízo, alguma vez lhe mostrará quaisquer sinais ou relatórios financeiros. Não tenhas muitas esperanças. Há e haverá apenas conversa.
Quanto ao MO, estes métodos não têm nada a ver com IA. E os métodos de MO não encontrarão nada por si mesmos, a menos que você mostre e diga a eles o que procurar e onde procurar. Caso contrário, será como em uma frase banal: lixo dentro - lixo fora, e nada mais. Independentemente do que os gurus de origem local possam dizer, um dos principais problemas com a aplicação de MO é a preparação de dados representativos. E todos os tipos de divisões de tendências podem ser necessárias para preparar tais dados, em vez de alimentar indiscriminadamente tudo com a entrada do MO.
como está
Agora trace uma linha de regressão através de tudo isso e construa um canal, e todos esses níveis irão coincidir com as fronteiras do canal. E o sobre-comprado/sobre-vendido não será mais necessário.
Explique
explicar
Vou tentar a tua fotografia.
Vou tentar na tua fotografia.
Por favor, é o melhor.
Por favor, essa é a melhor maneira.
Isto é mais ou menos o que pareceria. A linha de regressão pode ser substituída por uma longa EMA
.