Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 419
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Tamam, buraya atacağım. Gerçek şu ki , piyasayı tahmin etmek için hangi verilerin kullanılması gerektiğine dair bir fikrim var, ancak ne yazık ki bunları tam ve doğru biçimde toplamak mümkün değil , eğer biri koleksiyonun düzenlenmesine yardımcı olsaydı, onunla optimize ediciyi paylaşırdım. , iyi, genel olarak strateji. Veriler zaten yeterince iyi, ancak onu harika hale getirmek için bir şeyler eklemeniz gerekiyor. Programlamada kim güçlü ve bir ksv dosyasında birkaç siteden çevrimiçi veri alma yeteneği?
Blogumda sinir ağı parametrelerinin seçimi hakkında yazdım - NÖRAL AĞ YAPILANDIRMASININ SEÇİLMESİ .
En azından ilk aşamada bunu yapmak daha iyidir, yani gerekirse NN'yi basitleştirebilirsiniz.
Blogdaki seçim örneği soyut, ancak NN'imin parametrelerini bu tür düşüncelerle seçtim. Öğrenme çıktıları genellikle iyidir.
NS'nin hacmi biraz korkutucu - örnekte zaten 3 MA için, bu zaten 100'den fazla nöron ve bu henüz bir TS değil, sadece bunun için boşluk.
Blogumda sinir ağı parametrelerinin seçimi hakkında yazdım - NÖRAL AĞ YAPILANDIRMASININ SEÇİLMESİ .
En azından ilk aşamada bunu yapmak daha iyidir, yani gerekirse NN'yi basitleştirebilirsiniz.
Blogdaki seçim örneği soyut, ancak NN'imin parametrelerini bu tür düşüncelerle seçtim. Öğrenme çıktıları genellikle iyidir.
NS'nin hacmi biraz korkutucu - örnekte zaten 3 MA için, bu zaten 100'den fazla nöron ve bu henüz bir TS değil, sadece bunun için boşluk.
Haydi bunu deneyelim - Hafta sonu veya gelecek hafta burada ilginç tahmincileri atacağım ve bana onlar hakkındaki fikrinizi söyleyeceksiniz ..? Sadece MT5'te gösterge şeklinde tahminciler, 4 adet
Ve bir meydan okuma düzenlemek mümkün olacak - dileyenlerden kim bu tahmin edicileri kullanarak para kazanmak için NN'yi eğitebilecek :) RNN Reshetova optimize edicide onlarla iyi başa çıkıyor, ancak MLP henüz nasıl yapılacağını öğretmede başarılı değil Onları karlı bir şekilde kullanarak ticaret yapmak için, ancak henüz çok fazla deney yapmadım.
Haydi bunu deneyelim - Hafta sonu veya gelecek hafta burada ilginç tahmincileri atacağım ve bana onlar hakkındaki fikrinizi söyleyeceksiniz ..? Sadece MT5'te gösterge şeklinde tahminciler, 4 adet
Ve bir meydan okuma düzenlemek mümkün olacak - isteyenler arasından kim bu tahmin edicileri kullanarak NN'ye para kazanmayı öğretebilecek :)
Gerçek ticaretten önce, hala kesmem ve kesmem gerekiyor.) Ve bunu bir aydan fazla bir süredir yapıyorum.(Doğru, ara sıra.
Elbette, göstergelerinize bakmak ilginç, ama üzgünüm, benimkini yayınlamayacağım. Bununla birlikte, temel (2008'in ilk versiyonu) burada bulunabilir - Butterworth Hareketli Ortalama - MetaTrader 4 için gösterge . Şimdi her şey elbette farklı şekilde yapılıyor.
Gerçek ticaretten önce, hala kesmem ve kesmem gerekiyor.) Ve bunu bir aydan fazla bir süredir yapıyorum.(Doğru, ara sıra.
Elbette, göstergelerinize bakmak ilginç, ama üzgünüm, benimkini yayınlamayacağım. Bununla birlikte, temel (2008'in ilk versiyonu) burada bulunabilir - Butterworth Hareketli Ortalama - MetaTrader 4 için gösterge . Şimdi her şey elbette farklı şekilde yapılıyor.
Evet, soru değil, yayınlayacağım, çünkü periyodik olarak beyinler bir tüpe sarılır ve dışarıdan bir görüşe ihtiyaç duyulur :)
Kimseyi üzmek istemem ama ne yazık ki çoğunuz doğru düzgün hedef hazırlamayı bilmiyorsunuz. Yavaş mumlarla (> 10 dakika) özelliklerde tüm bu ilham verici sonuçlar (%75-80 doğruluk), aslında - saf terleme. Sharp oranını 2'den yüksek yapmak için %55'lik bir doğruluk yeterlidir ve yavaş verilerdeki %60'lık doğruluk, efsanevi olan aynı kasedir , Sharp oranı 3-4, gerçek hayatta kimse böyle işlem yapmaz, sadece XFT -shniki, ancak farklı bir ticaret maliyeti ölçeğine sahipler, daha az SR var <2 kârsızdır.
Kısaca söylemek gerekirse…
ÖZELLİKLERİ GÖRMEYİ HEDEFLEMEYİN !
Yani hedef hesaplanırken, özelliklerin hesaplanmasında kullanılan HERHANGİ bir veriyi kullanamazsınız, aksi takdirde bir bakışta sonuç çıkacaktır. Açık nedenlerden dolayı, ZZ gibi "el çabukluğu" fırının içine, özelliklerin dikkate alındığı alanın çok uzaklarına uçlar arasında enterpolasyon yapar, sonuç gök yüksek, en az %90 doğruluk sorunsuzdur, ancak bu sahtedir. Bu temelde, “öngörünün ana şey olmadığı”, hala bir araç yapabilmeniz gerektiği vb. Aslında bu "%90" hala aynı "favori" %50 olduğundan
tedbirli ol :)
Kısaca söylemek gerekirse…
ÖZELLİKLERİ GÖRMEYİ HEDEFLEMEYİN !
Yani hedef hesaplanırken, özelliklerin hesaplanmasında kullanılan HERHANGİ bir veriyi kullanamazsınız, aksi takdirde bir bakışta sonuç çıkacaktır. Açık nedenlerden dolayı, ZZ gibi "el çabukluğu" fırının içine, özelliklerin dikkate alındığı alanın çok uzaklarına uçlar arasında enterpolasyon yapar, sonuç gök yüksek, en az %90 doğruluk sorunsuzdur, ancak bu sahtedir. Bu temelde, “öngörünün ana şey olmadığı”, hala bir araç yapabilmeniz gerektiği vb. Aslında bu "%90" hala aynı "favori" %50 olduğundan
tedbirli ol :)
Genel olarak vardığınız sonuçlarla olduğu gibi, ZZ hakkındaki sonuçlarınıza da katılmıyorum.
Örneğin, RSI. Bu, 33'ü veya tam tersini belirli bir tahmin ediciye enterpolasyon yapar. Bu arada, 33 için bir tahmin edici olarak RSI'nin oldukça iyi bir tahmin gücüne sahip olduğunu gösterebilirim. Ve örneğin, mashka'nın ZZ için hiçbir tahmin yeteneği yoktur ve ZZ için %100 gürültü - bir tahmin edici olarak tamamen işe yaramaz. Maskotlar bazında, %10'dan daha az hata ile 33 için bir model elde etmek mümkündür, ancak bu eğitilmiş model, eğitim dosyası ile ilişkili olmayan yeni bir dosya üzerinde çalıştırılırsa, keyfi bir sonuç elde ederiz. hata.
Bu ZZ'nin elde edildiği ZZ için yordayıcılar arasında yordayıcıların olduğunu belirttiğiniz soruna ek olarak, temel olan ve hedef değişkene bağlı olmayan başka bir sorun daha vardır: bu, yordayıcının olduğu sorundur. Hedefle ilgili DEĞİLDİR, belirli bir (33 istisna değildir) hedef değişken gürültüsü içindir. Gürültü çok kullanışlı bir tahmin edicidir. Gürültü değerleri arasında her zaman tahmin hatasını azaltacak değerler bulabilirsiniz. Bunu anlamadığımda, genellikle yaklaşık %5'lik bir tahmin hatası alıyorum.
Ancak, belirli bir hedef değişken için orijinal öngörücü kümesini gürültüden temizleyebilirseniz, en azından benim için hatayı %30'un altına düşürmek son derece zordur.
Son olarak: Belirli bir hedef değişken için gürültü olan gürültü tahmin edicileri, fazla uydurmaya yol açar ve 33 bir istisna değildir.
Genel olarak vardığınız sonuçlarla olduğu gibi, ZZ hakkındaki sonuçlarınıza da katılmıyorum.
Örneğin, RSI. Bu, 33'ü veya tam tersini belirli bir tahmin ediciye enterpolasyon yapar. Bu arada, 33 için bir tahmin edici olarak RSI'nin oldukça iyi bir tahmin gücüne sahip olduğunu gösterebilirim. Ve örneğin, mashka'nın ZZ için hiçbir tahmin yeteneği yoktur ve ZZ için %100 gürültü - bir tahmin edici olarak tamamen işe yaramaz. Maskotlar bazında, %10'dan daha az hata ile 33 için bir model elde etmek mümkündür, ancak bu eğitilmiş model, eğitim dosyası ile ilişkili olmayan yeni bir dosya üzerinde çalıştırılırsa, keyfi bir sonuç elde ederiz. hata.
Bu ZZ'nin elde edildiği ZZ için yordayıcılar arasında yordayıcıların olduğunu belirttiğiniz soruna ek olarak, temel olan ve hedef değişkene bağlı olmayan başka bir sorun daha vardır: bu, yordayıcının olduğu sorundur. Hedefle ilgili DEĞİLDİR, belirli bir (33 istisna değildir) hedef değişken gürültüsü içindir. Gürültü çok kullanışlı bir tahmin edicidir. Gürültü değerleri arasında her zaman tahmin hatasını azaltacak değerler bulabilirsiniz. Bunu anlamadığımda, genellikle yaklaşık %5'lik bir tahmin hatası alıyorum.
Ancak, belirli bir hedef değişken için orijinal öngörücü kümesini gürültüden temizleyebilirseniz, en azından benim için hatayı %30'un altına düşürmek son derece zordur.
Son olarak: Belirli bir hedef değişken için gürültü olan gürültü tahmin edicileri, fazla uydurmaya yol açar ve 33 bir istisna değildir.
Kusursuzca! Bu çok önemli konuyu tartışalım. Neyin ne olduğunu bulmak için bir dizi deney yapmayı öneriyorum.
Bu yüzden onaylıyorum:
1) Rastgeleden doğru, özellik sentezi ve sınıflandırma 2 sınıf için bir dizi zaman serisi serisi, yeterli sayıda örnekle (5-10k arasında) %50 doğruluk (bir madeni para gibi) verir. İstatistiksel olarak anlamlı bir doğruluk yanlılığı (>%51) varsa, özellik sentezi ve/veya sınıflandırma işleminde hatalar vardır.
2) Özniteliklerin hesaplanmasında kullanılan verileri kullanan hedefleri kullanırken, doğrulukta önemli bir sapma elde ederiz (55, 60, %90) Önceden tahmin edilemeyen RANDOM ZAMAN SERİSİ ÜZERİNE (%50). Yani bu yanlış.
2) Özniteliklerin hesaplanmasında kullanılan verileri kullanan hedefleri kullanırken, doğrulukta önemli bir sapma elde ederiz (55, 60, %90) Önceden tahmin edilemeyen RANDOM ZAMAN SERİSİ ÜZERİNE (%50). Yani bu yanlış.
Neden herhangi bir şeyi kontrol ettin? Benim için çok açık.
Bir RSI-ZZ örneği verdim - ortak bir şey yok, ancak %50'den az hatayla bir model oluşturabilirsiniz.
Başka bir örnek: mashka-ZZ - kolayca %10'dan daha az bir hata. Yeni bir dosya üzerinde test yaparken, tamamen keyfi bir sonuç.