Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1336
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
Não percebo a ideia... reordenar os gráficos na tua mente e tudo ficará bem.
Faço-o porque sou demasiado preguiçoso para rebobinar os gráficos do testador o tempo todo, não há diferença e é ainda melhor, o treino está actualizado em vez de há 3 anos
Porquê? Interessado não só no que está em jogo, mas também na razão de ser.
Não, eu tenho um processo Markov, a solução depende apenas do estado actual, não há planeamento quando se aprende como no q-learning clássico, por exemplo
não há nada a aprender no testador - vá direto para o tempo real:)
mas se você usar um testador, então faça tudo de uma só vez.
A questão é que a relação entre os preços futuros e os preços actuais é logicamente determinada pelo facto de todas as negociações serem planeadas com base nos preços actuais, o que por sua vez afecta os preços futuros, ou seja, a ligação argumento-função vai da esquerda para a direita, mas não o contrário.
Ele tem acordos de curto prazo, a julgar pelo gráfico. Nada vai mudar de um rearranjo. Melhor ainda, como aprender com os últimos dados, há uma chance de que o real será melhor do que quando aprender muito antes do real.
Já estou a cavalgar um pouco na troca, a senti-la...
Um desenvolvimento único de robôs com inteligência artificial que conquistarão não só o mercado, mas o mundo inteiro.
Planos napoleónicos. Deixa-me lembrar-te, Napoleão acabou em St. Helena.
Planos napoleónicos. Lembra-te que Napoleão acabou em Santa Helena.
Esta é uma bicicleta para você, mas para outros uma SVM kernelizada (sobre "Reshetov's Vector Machine")
Duvido"kernelizada", a sua saída é linear, é apenas hiperplano, Eu não analisei em detalhes o código Java que Yury tinha postado no cyber-forum antes dele desaparecer, mas um "graale-writer" que eu sei que mandou analisar este código para um cliente ajustá-lo e disse que era apenas uma busca por força bruta de coeficientes de modelos lineares, algum tipo de busca estocástica personalizada como genética ou ottigrafia, o resultado é um vetor de coeficientes lineares, em suma, uma versão mais avançada desta obra-prima:
AI Expert Advisor para MetaTrader 4
double perceptron()
{
double w1 = x1 - 100;
double w2 = x2 - 100;
double w3 = x3 - 100;
double w4 = x4 - 100;
double a1 = iAC(Symbol(), 0, 0);
double a2 = iAC(Symbol(), 0, 7);
double a3 = iAC(Symbol(), 0, 14);
double a4 = iAC(Symbol(), 0, 21);
return(w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
}
No entanto, os coeficientes são pesquisados não pelo MT-optimizador, mas pela minha própria arte.
Poucos modelos foram selecionados - não está claro porque isso aconteceu - precisamos pensar.
Gráficos dos modelos (não fiz fotos por causa do pequeno número de modelos selecionados)
60%
70%
O que podemos concluir aqui - a taxa de amostragem acabou por ser novamente superior a 30% (amostras antigas 70%, mas lugares trocados!). Os gráficos têm à primeira vista mais diferenças, mas ainda não o suficiente para uma execução paralela eficaz, para cobrir uma maior percentagem de completude (Recall).
E é assim que se combinam dois modelos da última e penúltima experiência - mas eu aumentei a separação para 0,55. Se um dos modelos tem um sinal, então entre no mercado.