Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1247
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
может правда, может нет но интересно
http://brokeruforex.ru/mashinnoe-obuchenie-foreks.html
может правда, может нет но интересно
http://brokeruforex.ru/mashinnoe-obuchenie-foreks.html
Интересным нашел только эту идею
"
Когда включать/выключать вашу стратегию
Знание моментов включения или отключения торговли может определять разницу между успехом и потерями вашей стратегии. Тем не менее, определение момента выключения непростая задача. Мы снова будем использовать известный алгоритм машинного обучения — модель скрытых состояний Маркова, для определения режимов рынка, при которых наша стратегия убыточна и мы должны остановить торговлю.
Сначала мы должны решить, что будем использовать для идентификации различных режимов эффективности стратегии. Зададимся вопросом — какие факторы сигнализируют о том, что мы должны прекратить торговлю?
Попробуем использовать два вычисления, основанных на 10 периодной простой скользящей средней (SMA) нашей кривой прибыли. Рассмотрим два показателя — коэффициент изменения на 5 периодном отрезке и расстояние между текущей точкой кривой прибыли и значением SMA. Коэффициент изменения (ROC) должен сигнализировать о том, что наша кривая находится в падающем тренде, и расстояние между линиями даст нам чувствительный индикатор эффективности стратегии.
Основываясь на этих двух входных значениях, мы применим HMM с двумя состояниями для принятия решения об отключении нашей стратегии:
"
Интересным нашел только эту идею
"
Когда включать/выключать вашу стратегию
Знание моментов включения или отключения торговли может определять разницу между успехом и потерями вашей стратегии. Тем не менее, определение момента выключения непростая задача. Мы снова будем использовать известный алгоритм машинного обучения — модель скрытых состояний Маркова, для определения режимов рынка, при которых наша стратегия убыточна и мы должны остановить торговлю.
Сначала мы должны решить, что будем использовать для идентификации различных режимов эффективности стратегии. Зададимся вопросом — какие факторы сигнализируют о том, что мы должны прекратить торговлю?
Попробуем использовать два вычисления, основанных на 10 периодной простой скользящей средней (SMA) нашей кривой прибыли. Рассмотрим два показателя — коэффициент изменения на 5 периодном отрезке и расстояние между текущей точкой кривой прибыли и значением SMA. Коэффициент изменения (ROC) должен сигнализировать о том, что наша кривая находится в падающем тренде, и расстояние между линиями даст нам чувствительный индикатор эффективности стратегии.
Основываясь на этих двух входных значениях, мы применим HMM с двумя состояниями для принятия решения об отключении нашей стратегии:
"
Обратно включать видимо после нового обучения с новыми данными, на которых НС начала сливать.
Что-то мне кажется что это слишком часто будет происходить.
может правда, может нет но интересно
http://brokeruforex.ru/mashinnoe-obuchenie-foreks.html
P.S. нашел вот, только троллинг разработчика - сразу видно, что конкретный пацан, а не жалкий перечирикиватель Воронцова и юзер фриварной мякины:)
https://www.mql5.com/ru/forum/36549/page11#comment_1335159
Вань, не охота делать. да там фигня...
а щас, по теме промоушен какой-то перспективный есть?
просто все ссылки старые, битые там, но есть какой-то вот, но видимо не то ...http://www.cybercortex.org/
Без понятия. Так как я давно этой всей фигней маюсь, много чего скопилось.
Эта попалась давно, попробывал и забыл. Вот скрин примера работы...
Я вот думаю, если переобучение это следствие запоминания рынка за счет шума, то для запоминания рынка требуется определенный объем памяти в виде леса из деревьев решений и бустинга, а такие модели как одно дерево и нейросеть с небольшим числом нейроов должны меньше переобучаться. Тогда получается, что есть критический объем данных, который нельзя описать, скажем, одним листом - какой это объем 1% или 10% - от всей выборки (учебной, тестовой, контрольной) вот в чём вопрос. Тогда, быть может, надо оценивать данные с точки зрения объема памяти, необходимым для запоминания этих данных и стараться, что бы модель была на порядок меньше от этого критического объема? Как это сделать - не знаю, возможно тут что-то похожее с архивированием должно быть - если архиватор жмет выборку из 10мб в 1мб, то модель должна быть не более 102,4 кб. И, тогда зная, что модель не просто запомнила выборку, а нашла в ней закономерности, можно менее критически подходить к тестированию на независимой выборке и делать вывод не о переобучении, а о нехватке данных на выборке для обучения,так как в ней отсутствовали ситуации, описывающие текущее состояние рынка, а значит просто небыло самой возможности найти такую закономерность при использовании имеющихся предикторов.