Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1206

 
mytarmailS:

Porquê aproximá-lo? Já está dividido em 10 estados pelo algoritmo de Viterbi, como um cluster em essência.

Eu acho que o preço deve ser aproximado antes de fazer devoluções ou não fazer devoluções?

Não sei dizer se devo aproximar-me ou não.

 
mytarmailS:

A propósito, se alguém quer brincar com "cmm" aqui está um artigo com código e exemplos em R

http://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/

A propósito, os estados SMM no artigo são bastante interpretáveis.

 
mytarmailS:

E há uma dependência...

Treinei "SMM" (modelo Markov oculto) em retornados, dividi-o em 10 estados e ensinei-o sem um professor.


distribuições estatais.


E aqui agrupei os retornos por estados, ou seja, cada fila é um estado de mercado separado.

Alguns estados (1,4,6,8,9) têm muito poucas observações, pelo que não podem ser tidas em conta

E agora vou tentar regenerar a série, ou seja, fazer uma soma cumulativa, se alguma tendência for encontrada em alguns dos estados - a regularidade na direção

Eu fiz uma soma cumulativa.

Os Estados 5 e 7 têm uma estrutura estável, 5 para a baía e 7 para a aldeia.

Distribuições e curvas muito interessantes. Há assimetria em quase todos eles. Obrigado, vou dar outra olhadela e admirar.

 
Aleksey Nikolayev:

A propósito, os estados SMM no artigo são bastante interpretáveis.

Bem, ninguém está a discutir, eu só escrevi sobre isso ao Maxim.

 
mytarmailS:

Bem, ninguém está a discutir, eu só estava a escrever sobre isso ao Maxim.

O graal será publicado em breve, é só esperar um pouco... Você pode enviar cartas de agradecimento com distribuições em dinheiro mais tarde.

engolir em :)

https://www.mql5.com/ru/articles/4777

Применение метода Монте-Карло в обучении с подкреплением
Применение метода Монте-Карло в обучении с подкреплением
  • www.mql5.com
В предыдущей статье мы познакомились с алгоритмом Random Decision Forest и написали простого самообучающегося эксперта на основе Reinforcement learning (обучения с подкреплением).   Было отмечено основное преимущество такого подхода: простота написания торгового алгоритма и высокая скорость "обучения". Обучение с подкреплением (далее просто RL...
 
Maxim Dmitrievsky:

o graal será publicado em breve, basta esperar um pouco... cartas de agradecimento com distribuições em dinheiro serão enviadas mais tarde

engolir em :)

https://www.mql5.com/ru/articles/4777

Fixe, parece uma espreitadela a um laboratório mágico. O valor para a ordem-mágica só confirma este sentimento)

 
Aleksey Nikolayev:

Fixe, parece que vou entrar num laboratório mágico. O valor para a ordem-mágica só confirma este sentimento)

Tenho mais algum material sobre o PCA, preditores de reconstrução e outras coisas, acho que vou escrever mais um artigo mais tarde, antes de ir ao Python MO

 
Maxim Dmitrievsky:

Há mais material sobre PCA, preditores de overclocking e outras coisas, acho que vou escrever mais um artigo mais tarde, antes de mudar para o Python MO.

Sim, isso não estará fora do lugar.

 
FxTrader562:

Obrigado pelo artigo.

Então, finalmente você combinou "Monte Carlo" com RDF:)))

O artigo parece ser interessante...Vou ver como é eficaz nos testes ao vivo e que melhorias podem ser feitas e vou actualizá-lo...

Se você tiver alguma preocupação importante a abordar nesta versão para melhorar os resultados dos testes futuros, então você pode me avisar.

Em vez de "amostragem aleatória" com shift_prob (probabilidade deslocada em código), quero fazer amostras de diferentes distribuições, o que depende dos estados atuais do mercado... você pode pensar em

pode tentar diferentes distribuições para ele

 

Interessado aqui, deparou-se com

Fundamentos da Análise de Dados Bayesianos em R!

Razão: