Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 549
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
Вот еще пример prophet но для R (на питоне у меня так и не встало)
я думаю что если данные трансформировать а не голые котировки, то вообще норм лучше аримы будет предсказывать
и сравнить бы с аримой для интереса
https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
вот еще большая портянка с исследованием:
https://msperlin.github.io/pafdR/research-scripts.html
Вот еще пример prophet но для R (на питоне у меня так и не встало)
я думаю что если данные трансформировать а не голые котировки, то вообще норм лучше аримы будет предсказывать
и сравнить бы с аримой для интереса
https://strategy.doubledoji.com/how-to-use-facebooks-prophet-algorithm-in-forex-trading/
Надо тестировать на arch. Бывают временные ряды, в которых отсутствует эффект arch, но если он имеется, то необходим garch, причем надо подобрать вполне определенный (их очень много), а потом очень полезно смоделировать распределение.
Ниже две выдержки из моей статьи которую я заканчиваю. Не нужно тратить время на изобретение велосипеда. Вы его не сделаете лучше профессионалов. Python и R уже чудесно интегрированы. Просто используйте.
"использование библиотеки "TensorFlow"
В последнее время бурно развивающаяся область глубоких нейросетей пополнилась рядом библиотек с открытым кодом. Широко рекламируемая TensorFlow(Google), CNTK(Microsoft), Apache MXNet и многие другие. Благодаря тому, что все эти и другие крупнейшие разработчики ПО входят в Консорциум R, для всех этих библиотек предоставляется АПИ к R.
Все вышеперечисленные библиотеки очень низкоуровневые. Для начинающих изучать эту область трудно усваиваемые. Учитывая это команда Rstudio разработала пакет keras для R.
Keras - это высокоуровневое API нейронных сетей, разработан с упором на возможность быстрого экспериментирования. Способность идти от идеи к результату с наименьшей возможной задержкой - это ключ к проведению хороших исследований. Keras имеет следующие ключевые особенности:
Просто установите и загрузите пакет keras R, а затем запустите функцию keras :: install_keras (), которая устанавливает TensorFlow, Python и все остальное, что вам нужно, включая среду Virtualenv или Conda. Это просто работает! Инструкции по установке Keras и TensorFLow на графических процессорах см. Здесь. Более подробно смотрите статью."
"Для проведения экспериментов c TensorFlow предназначен пакет tfruns. Пакет tfruns предоставляет набор инструментов для управления обучением и экспериментами TensorFlow из R:
Наилучшее качество визуализации процесса и результатов обучения DNN предоставляет TensorBoard.
И конечно знатокам глубокого обучения дается возможность работать напрямую с низкоуровневой библиотекой TensorFlow с помощью пакета tensorflow.
Все эти пакеты базируются на основном - reticulate - R интерфейс к Python модулям, функциям и классам. При вызове в Python типы данных R автоматически преобразуются в их эквивалентные типы Python. Когда значения возвращаются с Python на R, они преобразуются обратно в типы R. Заслуживает внимательного изучения.
Все эти пакеты отлично документированы, что не удивительно учитывая класс разработчиков, снабжены тоннами примеров, постоянно развиваются. Таким образом нам предоставлена уникальная возможность использовать в экспертах и индикаторах терминала наиболее продвинутые и передовые модели глубокого обучения (DNN, RNN, CNN, LSTM, VAE и др), обучения с подкреплением (RL) и множество других наработок Python в области машинного обучения, хватило бы знаний и опыта"
Удачи
в то же время сложность стратегий и объем работы становится слишком большим для 1-го человека, который профессионально не занимается дата сатанизмом :) хотя это может быть только на 1-й взгляд
Почти доделал интеграцию Питон и МТ. Пришлось писать дополнительную DLL. Осталось по мелочи. Доделать mqh и написать доку. Возможностей у библиотеки не много, но их достаточно. Можно загрузить и исполнить Питон скрипт. А так же вызвать любую функцию из него. Будет работа со списками, но только одномерными и однородными. Т.е. масив MQL преобразуется в список и обратно.
А вот обучалочка по R хорошая.. от основ и линейных моделей до гарча и фэйсбук пророка.. (не зря я prophet сюда скидываю, т.к. он вызывает интерес в определенных кругах и мега прост в использовании) почти то же самое что для питона скидывал но более подробно, от препода по R
вообще логично конечно же идти от эконометрики к нейросетям а не наоборот, т.е. изучить что уже есть (если не изучали в вузе), что бы иметь почув для размышлений, а потом уже залипать в сетки
ну и вообще заметьте, что нейросети в эконометрке особняком стоят и не являются основным предметом (пока что)
https://msperlin.github.io/pafdR/
вообще логично конечно же идти от эконометрики к нейросетям а не наоборот, т.е. изучить что уже есть (если не изучали в вузе), что бы иметь почув для размышлений, а потом уже залипать в сетки
ну и вообще заметьте, что нейросети в эконометрке особняком стоят и не являются основным предметом (пока что)
https://msperlin.github.io/pafdR/
Несколько лет назад я интересовался матлабом и вопреки своим представлениям об инструментах эконометрики в тулбоксе под названием "Эконометрика" были ТОЛЬКО модели GARCH.
В итоге занялся МО. Более всего меня удивляло - это очень бедные публикации по применению МО на финансовых рынках.
В последнее время вернулся к GARCH и что поразило - это огромное количество публикаций по применению GARCH на финансовых рынках: и фондовые биржи, и индексы, и фьючи, и валютные пары. Просто балдеж какой-то.
Так может быть матлаб прав? Может быть все инструменты МО, включая НС сторонние инструменты для финансовых рынков?
Так может быть матлаб прав? Может быть все инструменты МО, включая НС сторонние инструменты для финансовых рынков?
ну как бы да, это же не какие-то готовые эконом. модели а просто набор инструментов универсальных для любых областей
непараметрическая эконометрика как раз про МО и нечеткую логику, но я пока не видел каких-то внятных вещей, мб потому что не выработаны какие-то общие подходы. Ну кроме тех что запихать в DNN побольше индикаторов и получить непонятно что не понятно как работающее :)