Discussão do artigo "Engenharia de Atributos com Python e MQL5 (Parte IV): Reconhecimento de Padrões de Candlestick com Regressão UMAP"
Gostaria de ver o excelente resultado que essa abordagem produziu
Obrigado, essa é uma aplicação realmente interessante. Algumas observações que podem ser úteis: o erro “o módulo 'umap' não possui o atributo 'UMAP'” significa que você precisa ter o `umap-learn` instalado; você pode fazer isso com o comando `!pip install umap-learn`. Se você receber a mensagem “NameError: o nome 'FloatTensorType' não está definido”, é preciso instalar ou atualizar o onnxmltools usando o comando !pip install onnxmltools. Meus dados ficaram bem diferentes dos mostrados aqui; eu gostaria de saber como os outros estão se saindo com o código.
Oluwatobiloba Yusuf Bello uma redução dimensional
Você está certo, é exatamente redução de dimensionalidade, por isso eu comparei com a PCA 🤜🏾🔥🤛🏾O UMAP nos oferece mais parâmetros de ajuste do que as técnicas tradicionais de redução de dimensionalidade.
linfo2 #:
Obrigado, essa é uma aplicação realmente interessante. Algumas observações que podem ser úteis: o erro “o módulo 'umap' não possui o atributo 'UMAP'” significa que você precisa ter o `umap-learn` instalado; você pode fazer isso com o comando `!pip install umap-learn`. Se você receber a mensagem “NameError: o nome 'FloatTensorType' não está definido”, é preciso instalar ou atualizar o onnxmltools usando o comando !pip install onnxmltools. Meus dados ficaram bem diferentes dos mostrados aqui; eu gostaria de saber como os outros estão se saindo com o código.
Ei, Niel.Obrigado, essa é uma aplicação realmente interessante. Algumas observações que podem ser úteis: o erro “o módulo 'umap' não possui o atributo 'UMAP'” significa que você precisa ter o `umap-learn` instalado; você pode fazer isso com o comando `!pip install umap-learn`. Se você receber a mensagem “NameError: o nome 'FloatTensorType' não está definido”, é preciso instalar ou atualizar o onnxmltools usando o comando !pip install onnxmltools. Meus dados ficaram bem diferentes dos mostrados aqui; eu gostaria de saber como os outros estão se saindo com o código.
Obrigado por compartilhar essas soluções para problemas comuns.
Além disso, você levantou um ponto importante. O mesmo símbolo pode ser mais fácil de modelar em uma corretora e mais difícil em outra.
Isso se deve, em parte, às diferenças nos feeds de dados que cada corretora possui.
Algumas corretoras coletam ticks em tempo real com latência mínima; outras coletam atualizações de preço a cada minuto; algumas coletam ticks apenas se os níveis de preço tiverem mudado; e outras extrapolam os níveis de preço periodicamente.
Em resumo, a dificuldade de prever o EURUSD depende da corretora que você escolheu.
Cada corretora oferece uma fatia diferente do mesmo mercado.
Quero um EA para o MT5. Estou usando a corretora Exness.
Khai Cao XAUUSD?
Sim
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
Novo artigo Engenharia de Atributos com Python e MQL5 (Parte IV): Reconhecimento de Padrões de Candlestick com Regressão UMAP foi publicado:
Os padrões de candlestick são amplamente utilizados em diversas estratégias e estilos de trading pela maioria dos traders algorítmicos de nossa comunidade. No entanto, nossa compreensão desses padrões está limitada aos candlesticks que já identificamos, quando, na verdade, podem existir muitos outros padrões de candlestick lucrativos dos quais simplesmente ainda não temos conhecimento. Devido à grande quantidade de informações disponíveis na maioria dos mercados modernos, é consideravelmente desafiador para os traders terem certeza de que estão sempre utilizando os padrões de candlestick mais confiáveis disponíveis no mercado escolhido.
Para amenizar esse problema, proporemos uma solução que potencialmente permitirá que nosso computador identifique novos padrões de candlestick dos quais não tínhamos conhecimento. Nossa estrutura proposta é parcialmente comparável a uma brincadeira infantil com a qual a maioria de nós provavelmente está familiarizada. A brincadeira é conhecida por diferentes nomes. No entanto, a premissa básica é a mesma. A brincadeira desafia os participantes a descrever um substantivo utilizando adjetivos sem mencionar o próprio substantivo. Assim, por exemplo, se o substantivo fornecido fosse uma banana, o jogador que conduz a brincadeira daria aos seus amigos pistas que melhor descrevessem a banana, como “amarela e curva”; esperamos que o exemplo seja intuitivo para o leitor.
Essa brincadeira infantil é logicamente idêntica às tarefas que pediremos ao nosso computador para executar, de modo que possamos descobrir novos padrões de candlestick que, de outra forma, permaneceriam ocultos devido ao elevado número de dimensões que nossos conjuntos de dados tendem a apresentar atualmente. De forma análoga à brincadeira que acabamos de descrever, na qual o jogador deve descrever uma banana em 3 palavras ou menos, forneceremos ao nosso computador dados de mercado contendo 10 colunas que descrevem o candlestick atual e, em seguida, pediremos ao computador que descreva os dados de mercado originais em 8 colunas (embeddings) ou menos. Isso é chamado de redução de dimensionalidade.
Existem muitas técnicas conhecidas de redução de dimensionalidade com as quais o leitor talvez já esteja familiarizado, como Principal Components Analysis (PCA). Essas técnicas são úteis porque orientam nosso computador a se concentrar nos aspectos mais significativos dos dados transformados. Hoje, utilizaremos uma técnica conhecida como Uniform Manifold Approximation And Projection (UMAP). Esse é um algoritmo recente e, como o leitor verá em breve, ele pode nos ajudar a revelar relações não lineares em nossos dados de mercado de uma maneira inovadora.
Autor: Gamuchirai Zororo Ndawana