Regressão Bayesiana - Alguém já fez um EA usando este algoritmo? - página 50
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 padrões são dependentes do tempo. Treinar em um classificador separado para cada dia da semana, ou tentar adicionar a fase da lua (estou falando sério), ou a hora do dia aos dados brutos, não sei o que fazer exatamente, mas é muito importante.
2) Sim, eu já fiz isso. Tenho um grande conjunto de dados - posso compartilhá-lo aqui mesmo - onde acrescentei aos dados de preços:
- hora
- minuto
- dia da semana
- mês
- dia do mês.
É claro que isto é importante. Mas devemos determinar não o dia ou a hora do dia em que o TS é bem-sucedido, mas a natureza do mercado quando o TS é bem-sucedido - tendência, padrões planos, sazonais. A natureza do mercado determina a natureza dos dados, e não o dia da semana ou os truques do corretor. A natureza do mercado pode ser determinada pela história, mas para determiná-la por conta real, como escreveu Dmitry Fedoseyev: "O principal problema da análise e do comércio é a identificação da tendência.
Por exemplo, o TS é considerado um sucesso em flat. Há algum indicador que preveja um apartamento?
É claro que isto é importante. Somente é necessário identificar não o dia ou a hora do dia em que o TS é bem-sucedido, mas a natureza do mercado quando o TS é bem-sucedido - tendência, padrões planos, sazonais. A natureza do mercado determina a natureza dos dados, e não o dia da semana ou os truques do corretor. A natureza do mercado pode ser determinada pela história, mas para determiná-la por conta real, como escreveu Dmitry Fedoseyev: "O principal problema da análise e do comércio é a identificação da tendência.
Por exemplo, o TS é considerado um sucesso em flat. Há algum indicador que preveja o apartamento?
A questão é que você pode determinar o dia e a hora do dia com antecedência, mas a tendência e o flat não podem.
Se você souber como identificar a tendência e achatar com antecedência, então você não precisa de mais nada - o graal está em seu rosto.
Há algum indicador que preveja um apartamento?
Você também pode fazer um classificador para isso, através de árvores e R, como no blog do Alexey. Precisamos coletar vários anos de histórico de barras, depois manualmente ou usando algum indicador para especificar quais intervalos de tempo eram planos e quais não eram, e ensinar o modelo. Para ensinar o modelo, não utilize o aumento de preço do próximo período como no exemplo, mas especifique os valores flat/trendência (por exemplo, 0 e 1 correspondentemente). E obteremos o indicador.
Mas em geral, se se cria um classificador a partir de zero que prevê um futuro aumento de preço - o próprio classificador deve aprender a distinguir um apartamento de uma tendência. Sua lógica não conterá noções tão claras, mas conceitualmente deve aprender a distinguir diferentes caracteres do mercado e mudar a previsão dependendo deles. Um classificador adequado não deve funcionar apenas em determinados períodos de tempo, sua tarefa é trabalhar sempre com lucro.
Também podemos fazer um classificador para isso, através de árvores e R, como no blog do Alexey. Precisamos coletar vários anos de histórico de barras, depois manualmente ou usando algum indicador especificar quais intervalos de tempo eram planos e quais não eram, e ensinar o modelo. Para ensinar o modelo, não utilize o aumento de preço do próximo período como no exemplo, mas especifique os valores flat/trendência (por exemplo, 0 e 1 correspondentemente). E obteremos o indicador.
Não é um indicador, mas um classificador - não prediz, mas classifica. Grosseiramente falando, tendo estudado uma parte da história, pode dizer se esta parte é uma tendência ou um apartamento.
Mas o problema é que eu também posso fazer isso de olho - não preciso de um indicador.
Não é um indicador, mas um classificador - não prediz, classifica. Assim, grosso modo, tendo estudado uma parte da história, pode dizer se esta parte é uma tendência ou um apartamento.
Mas o problema é que eu posso fazer isso de olho - não preciso do indicador.
A prática nos fala de outra coisa. Depende do que você ensina.
Se você simplesmente classifica o passado, sim.
Mas se você mudar o professor, ou seja, os valores passados dos preditores correspondem ao valor atual do professor, então você prediz o futuro. Por exemplo, você muda por 1 barra. Assim, quando uma nova barra chega, você calcula todos os seus preditores e depois usa o modelo treinado PAST para prever suas tendências de virada. Você pode ensiná-lo com um turno de mais de 1. O grande problema dos modelos de previsão que extrapolam barras passadas é que o erro se soma (na melhor das hipóteses) à medida que o horizonte de previsão aumenta, este não é o caso da classificação. Assim, ao fazer a previsão em H1: erro em +1 = 30% (o valor real), em +2 ligeiramente mais, e em +4 quase 30%.
Não apenas isso, se você começar a fazer amizade com as casas Burnakov, você pode encontrar mudanças para o futuro que têm mais ou menos o mesmo erro de previsão que a barra +1.
Também podemos fazer um classificador para isso, através de árvores e R, como no blog do Alexey. Precisamos coletar vários anos de histórico de barras, depois manualmente ou usando algum indicador especificar quais intervalos de tempo eram planos e quais não eram, e ensinar o modelo. Para ensinar o modelo, não utilize o aumento de preço do próximo período como no exemplo, mas especifique os valores flat/trendência (por exemplo, 0 e 1 correspondentemente). E obteremos o indicador.
Mas em geral, se alguém faz um classificador a partir de zero que prevê um futuro aumento de preço - o próprio classificador deve aprender a distinguir um apartamento de uma tendência. Sua lógica não conterá noções tão claras, mas conceitualmente deve aprender a distinguir diferentes caracteres do mercado e mudar a previsão dependendo deles. Um classificador adequado não deve funcionar somente em alguns períodos de tempo determinados, sua tarefa é trabalhar sempre com lucro.
O blog de Alexey, treinamento de modelos, classificação é muito complicado para a minha tarefa e para mim mesmo. Eu quero algo mais simples para prever o apartamento com uma certa probabilidade.
Algo como ADX. E na MQL4 que seria compreensível para comerciantes, economistas e filósofos, e não apenas para especialistas em pacotes matemáticos e linguagens de programação R, Python, etc.
Também podemos fazer um classificador para isso, através de árvores e R, como no blog do Alexey. Precisamos coletar vários anos de histórico de barras, depois manualmente ou usando algum indicador especificar quais intervalos de tempo eram planos e quais não eram, e ensinar o modelo. Para ensinar o modelo, não utilize o aumento de preço do próximo período como no exemplo, mas especifique os valores flat/trendência (por exemplo, 0 e 1 correspondentemente). E obteremos o indicador.
Mas em geral, se alguém faz um classificador a partir de zero que prevê um futuro aumento de preço - o próprio classificador deve aprender a distinguir um apartamento de uma tendência. Sua lógica não conterá noções tão claras, mas conceitualmente deve aprender a distinguir diferentes caracteres do mercado e mudar a previsão dependendo deles. Um classificador adequado não deve funcionar apenas em certos intervalos de tempo, sua tarefa é trabalhar sempre com lucro.
Parece que tenho um classificador que o aprende.
Veja, este é o esquema de dados de entrada.
Eu estou dando a máquina
a diferença com a média móvel
a diferença com a alta mudança
também com um mínimo de
divulgação dos dados
desvio padrão
e simplesmente a diferença entre os preços tomados com um atraso.
Agora imagine que esta janela ainda varia de 2 a 724 minutos - existem 18 conjuntos de tais preditores.
Isso deve ser suficiente para distinguir um movimento de tendência de um plano. No mínimo, a diferença entre os preços com um atraso e a dispersão dos dados (e o desvio padrão) o diz.
Eu também queria pegar a inclinação da regressão linear para a janela de preços. Também com uma janela variável. Mas são os mesmos ovos. No entanto, pode-se tentar.
Assim, o classificador destaca constantemente a diferença com a média móvel como o preditor mais importante, assim como as diferenças entre preços e incluindo spreads e desvios padrão. Tudo é utilizado por ela.
A prática conta uma história diferente. Depende do que você ensina.
Se você simplesmente classifica o passado, então sim.
Mas se você está mudando de professor, ou seja, os valores de previsão do passado correspondem ao valor atual do professor, então você está prevendo o futuro. Por exemplo, você muda por 1 barra. Assim, quando uma nova barra chega, você calcula todos os seus preditores e depois usa o modelo treinado PAST para prever suas tendências de virada. Você pode ensiná-lo com um turno de mais de 1. O grande problema dos modelos de previsão que extrapolam barras passadas é que o erro se soma (na melhor das hipóteses) à medida que o horizonte de previsão aumenta, este não é o caso da classificação. Assim, ao fazer a previsão em H1: erro em +1 = 30% (o valor real), em +2 ligeiramente mais, e em +4 quase 30%.
Não apenas isso, se você começar a fazer amizade com as casas Burnakov, você pode encontrar no futuro turnos que têm aproximadamente o mesmo erro de previsão que a barra +1.
Sim. Não é como se eu estivesse prevendo um passo adiante, como a ARIMA, por exemplo. Com o Arima, o erro cresce exponencialmente porque o que é previsto um passo adiante começa a ser usado como um preditor e isto se repete tantas vezes quantas for necessário prever adiante.
Originalmente eu tinha 18 variáveis-alvo, para as quais eu treino os modelos um a um (passando pelos parâmetros de treinamento e parando na melhor combinação). E desta forma posso ver para qual horizonte tudo é melhor previsto.
Meu treinamento para todos os alvos dura cerca de um dia. Mas este também não é o limite. Uma rede neural multicamadas na GPU pode treinar por uma semana para um objetivo.
Inicialmente eu tinha 18 variáveis-alvo, para as quais treino os modelos um a um (passando pelos parâmetros de treinamento e parando na melhor combinação).
Sim. Não é como se eu estivesse prevendo um passo à frente, como a ARIMA. Com o Arima, o erro cresce exponencialmente, porque o que se prevê um passo à frente começa a ser usado como um preditor e isto se repete tantas vezes quantas for necessário prever adiante.
Originalmente eu tinha 18 variáveis-alvo, para as quais eu treino os modelos um a um (passando pelos parâmetros de treinamento e parando na melhor combinação). E desta forma posso ver para qual horizonte tudo é melhor previsto.
Meu treinamento para todos os alvos dura cerca de um dia. Mas este também não é o limite. Uma rede neural multicamadas na GPU pode treinar por uma semana para um objetivo.