Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 550
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
Bem, sim, estes não são modelos econométricos prontos, mas simplesmente um conjunto de ferramentas universais para todas as áreas.
A econometria não paramétrica é apenas uma questão de RI e lógica difusa, mas ainda não vi nada coerente, talvez porque nenhuma abordagem geral tenha sido trabalhada. Eu não sei como funciona :)
Tenho medo do que possa acontecer, Maxim, mas na minha opinião - as redes neurais não são aplicáveis da forma como li nos meus artigos. Você está trabalhando com o preço em si, embora normalizando-o, enquanto você deve trabalhar com a densidade de probabilidade do preço. Aqui reside a inextinguível contradição com o princípio da incerteza de Heisenberg. Mas, eu não vou interferir - ainda é interessante.
Você não interfere, escreva o que quiser - é um fórum público. E às vossas distribuições também chegaremos, não de uma só vez, desde que haja uma série de ideias "indescritíveis" :D
Entrei na dança apenas porque tinha de perceber a importância dos recursos para LR e RF através de Python ou R, depois deixei-me levar e comecei a explorar mais
Tenho um bot em NS que tenho de alimentar periodicamente com "boas características" de automatismo, tendo em conta as mudanças do mercado, mas caso contrário funciona bem...
Você não interfere, escreva o que quiser - é um fórum público. E às vossas distribuições também chegaremos, não de uma só vez, desde que haja uma série de ideias "indescritíveis" :D
Entrei na dança apenas porque tinha de perceber a importância dos recursos para LR e RF através de Python ou R, depois deixei-me levar e comecei a explorar mais
Se tenho um robô em NS, devo alimentá-lo periodicamente com "bons sinais" de automatismo, tendo em conta as mudanças do mercado, mas caso contrário funciona bem...
Maxim, o que se passa com o teu Expert Advisor? Onde é que se podem encontrar os testes?
https://github.com/RandomKori/Py36MT5 Aqui estão as fontes da biblioteca Python para o MT5. O único problema é com as arrays. Passar um array ou recebê-lo não funciona corretamente. Eu depurei o código DLL no Visual Studio. Tudo funciona lá. A questão é, pode ser um bug de terminal. Ainda não escrevi como trabalhar com a biblioteca. Não tem sentido. Ninguém precisa dele sem matrizes. Embora talvez lixado no arquivo pythom.mqh Ajude-me a descobrir. Vai ser útil para todos.
As verdadeiras matrizes funcionam como deveriam. As longas matrizes de matrizes não funcionam.
Substituiu o longo na int. Agora tudo funciona. A biblioteca pode ser usada. Somente comentários sobre o uso serão escritos.
Maxim, o que se passa com a tua EA? Onde posso ver os testes, ou está tudo classificado?
Estou a ficar cada vez melhor... Mas lentamente, devido à complexidade do assunto.
Algumas observações/pensamentos sobre como construir um modelo para o mercado (a partir da experiência):
Para classificadores de redes neurais: o balanceamento de classes é obrigatório, o número de exemplos para 2 ou mais classes deve ser balanceado. Se o modelo é treinado em um segmento de tendência, pode-se espelhar sinais e adicionar exemplos contrários. Ao mesmo tempo, os sinais não devem estar correlacionados com o alvo, o que é claro.
Para regressores de redes neurais: pelo menos um dos indicadores deve estarfortemente correlacionado com a meta, especialmente quando o modelo é treinado em preços de produtos. Se você não fizer isso, então o regressor se perderá em uma árvore e não será capaz de prever corretamente o preço se a amostra contiver exemplos repetidos ou similares, mas com preços de saída diferentes. Para este fim, além de outras características, é possível alimentar incrementos normalizados com grande atraso (mais de 50). Quanto maior for uma amostra treinada, maior é o atraso necessário para excluir variantes de repetição. Também é desejável alimentar várias dessas séries com incrementos deslocados uns em relação aos outros, então cada caso individual será interpretado quase sem ambigüidade.
Para florestas aleatórias como classificadores: o mesmo que para NS.
Para florestas aleatórias como regressores: quase inúteis, como para NS, mas é impossível dar preços à produção (já que as florestas não extrapolam), e se dermos incrementos para esses fins, as florestas se misturarão em 3 pinheiros, já que haverá muitos exemplos sobrepostos.
Algumas observações/pensamentos sobre como construir um modelo para o mercado (a partir da experiência):
Para classificadores de redes neurais: o balanceamento de classes é obrigatório, o número de exemplos para 2 ou mais classes deve ser balanceado. Se o modelo é treinado em um segmento de tendência, pode-se espelhar sinais e adicionar exemplos contrários. Neste caso, os sinais não devem estar correlacionados com o alvo, o que é compreensível.
Exactamente a opinião oposta. Eu tenho provas até ao fim para trabalhar no real. Uma coisa que é clara para mim é que construir uma classificação sobre as borras de café e os anéis de Saturno é impossível, NUNCA - é xamanismo. Os modelos fora da amostra dão aproximadamente o mesmo resultado que os modelos dentro da amostra apenas se você limpar o conjunto de preditores de entrada de ruído e deixar apenas aqueles que são relevantes para a variável alvo. Mais sobre eu tenho um algoritmo para limpar o ruído e resultados de cálculo para os restantes preditores dá erro marginal com que classificação será feita para este conjunto de preditores.
É exactamente o oposto. Eu tenho provas até ao trabalho do mundo real. Uma coisa que é clara para mim é que a classificação baseada em borras de café e anéis de Saturno não pode, NUNCA, ser feita pelo xamanismo. Os modelos fora da amostra dão aproximadamente o mesmo resultado que os modelos dentro da amostra apenas se você limpar o conjunto de preditores de entrada de ruído e deixar apenas aqueles que são relevantes para a variável alvo. Além disso, tenho um algoritmo para limpar o ruído, e os resultados dos cálculos para os restantes preditores dão o erro marginal com que será feita a classificação para esse conjunto de preditores.
Esta pergunta não é óbvia para mim se tivermos um classificador não linear... o que deve estar correlacionado com o quê? ) E se tivermos características categóricas, então a regressão não funcionará de forma alguma, mas a classificação funcionará.
mas para regressão é justificado