Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 238
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
Şimdi, eğitilmiş, tahmin edilmiş yeterli bir model parametresi seçimi yaptım ve şimdi 0.69102 elde ettim. Son veri seti ile 0.69121 idi, bu hafta daha iyi, ancak bu şansa bağlı, model aslında aynı. Gelecek hafta tekrar + - 0.0002 tarafından bir yere atılacağım.
Benim için şu ana kadarki sınır bu, modelim herhangi bir hile olmadan orijinal 21 öngörücü üzerinde eğitildi. Örneğin Forex için terminalden farklı göstergeler yüklüyorum, parametrelerini seçiyorum vb. Onlar. 4 tahmin ediciden (ohlc) binlerce alıyorum, sonra onları filtreliyorum, sadece otuz kadar kalıyor ve modeli eğitiyorum.
Kontrol etmek için, onlara tüm tahminler = 0,5, puan = 0,69315 olan başka bir dosya gönderdim, karşılaştırma için kullanılabilir.Teorik olarak, bir şekilde bu 21 sayısal tahmin ediciden binlercesini yapmam ve fazlalığı filtrelemem gerekiyor. Ancak göstergeler ohlc serileriyle çalışır ve bu kadar eşit dağılmış olanlarla değil, onlardan nasıl daha yenilerini üreteceğinizi düşünmeniz gerekir.
Değil....
anladım o zaman bu konu ile şubeyi kirletmeyi bırakayım
o kadar eşit dağıtılmış ki, onlardan nasıl daha yenilerini üretebileceğimizi düşünmemiz gerekiyor.
Şimdi, eğitilmiş, tahmin edilmiş yeterli bir model parametresi seçimi yaptım ve şimdi 0.69102 elde ettim. Önceki veri seti ile 0.69121 idi...
ve her şey benim için düştü, daha da kötüleşti, en azından RF'de 0.69120, MLP'yi denedim ama genel olarak çöp çıkıyor
Tehdit Burada bazı garip algoritmalara göre gönderileri inceliyorum ((
Evet, bu tür dalların hepsi boş ve boktan))) Ve hepsinin sonu aynı. Bu normal bir + ve forum uzun zamandır bir dolandırıcı. Ve deneme yapılabilir.
Üstelik olumlu yönleri de var. Daha sonra ağaçların rastgele ve vr'den nasıl oluşturulduğuna bakın. Model-t'ler nasıl görünecek?
farklı rastgelelerde. Ve benzeri, vb. Yaklaşık on yıl önce ızgaralara, mei ve astro-hindilere ve dünyanın farklı limanlarındaki gelgitlere ve göç yollarına ilişkin verileri koydum.
normal bir insanın aklına bile gelmeyecek hayvanlar vs))) Ne istersen yaz ve kullan, sadece sonuçlara varmak için acele etme.
#Rastgele oluştur, en az 10 bin gözlem
write.csv2(x, file = "D:/1.csv", satır.names = YANLIŞ, alıntı = YANLIŞ) #D sürücüsündeki 1.csv dosyasına yaz:/
-----------
Ne pencere))) Bu arada, bu meydan okuma durdurulamaz olsa da, ilginç anlar da var. Örneğin, katılımcıların kalibrasyon verilerini nasıl yükledikleri,
bu, görevin yazarları tarafından kullanılan veri ön işleme hakkında varsayımlarda bulunmamıza izin verir...
Ormanla çoktan geçtik, sadece ilk iki gönderideydi, sonra bir zamanlar iyi kümeler arandığında tarif edilenleri "kendi yolumda" kalıpları seçmeye başladığımı yazdım - bunlar kalıplar ..
modeli ekliyorum.
Bu eğitimli bir kohonen
son 10 medyan fiyat değerini besle
MD <- ortanca fiyat
MD <- scale(MD,T,T) # tam olarak buradaki gibi normalize edin
library(SOMbrero) # kohonen paketini çalıştır
MD[is.na(MD)] <- 0 # olası NA'ları değiştir
pred <- tahmin(model,MD) kümeyi tahmin et
küme 41 numarada ise (pred==41), o zaman bu bir satın al, dur tadına bak...
Dene ve bak eğer senin için çalışıyorsa
Düşünüyorum ama aklıma gelmiyor)) ), Kimin fikri var ki ....
iki mum konfigürasyonumuz var
Resim gösteriyor ki, aslında mum kalıbı aynı, oynaklık farkı, bu iki kalıp matematiksel olarak tek bir bütüne nasıl getirilebilir?
Normalleşmeye evet diyeceksiniz o kadar ama normalleşme ile sıfır noktası değişecek ve bu önemli...
resimdeki gibi
Açıklayayım, şimdiki, önceki ve önceki mumun rengini bilmek istediğimizi hayal edin, ne yapıyoruz:
kapat-aç , kapat[-1]-aç[-1] , kapat[-2]-aç[-2]
"1" numaralı resimdeki gibi bir grafik elde edeceğiz, her şey açık ve anlaşılır, sıfırın üzerindeki her şey beyaz bir mum, sıfırın altındaki her şey siyah bir mum.
Şimdi, oynaklık problemini çözmeye devam ediyor (ilk grafikte ortaya çıkan), grafiği bir tür tek aralığa getirmeniz, ardından normalleştirmeniz, resimde "2" olan ancak normalleştirmeden sonra artık herhangi bir bilgi taşımayan yeni bir sıfır ekseni alıyoruz, böyle bir normalleştirme ile MO, artık beyaz mum mu yoksa siyah mum mu olduğunu bilmeyecek
verileri "sıfır adil" olacak şekilde normalleştirmek ve oynaklık sorununu nasıl ortadan kaldırmak??? hangi düşünceler?
hem "sıfır dürüst" hem de oynaklık sorununu ortadan kaldıracak şekilde verileri nasıl normalleştirebilirim ??? hangi düşünceler?
Ben böyle yaptım -
Toplamda 8 puanınız var - O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1)
Ayrıca, bu noktalara O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1) sıra değerleri atanabilir. 1.2 ,3,4,5,6,7,8
OHLC - açık, yüksek, düşük, yakın
(0) ve (1) - çubuk numarası
Bu noktalar, grafikte azalan fiyat sırasına göre, yüksekten düşüğe doğru düzenlenebilir - H(0), H(1), O(0), C(1), L(0), C(0), O (1), L(1)
Ve şimdi H(0), H(1), O(0), C(1), O(0), L(0), O(1), L(1) bir vektöre (2, 6, 1, 8, 3, 4, 1, 7) ve istenirse 0-1'e normalize edin.
Ve her iki grafiğin de aynı "kalıba" (2, 6, 1, 8, 3, 4, 1, 7) sahip olacağı ortaya çıktı; bu, bu noktaların grafikte aşağı indiği sırayı açıklar.
Maalesef bundan faydalanamadım. Sadece 2 mum ile 40320 desen olabilir. Üç mum = (4*3)! = 479001600 desen, vb. Gerçekte, daha az olacaktır, çünkü. örneğin, aynı mumda H her zaman O, H, L'den büyüktür; ve C daha küçüktür. Ancak desen sayısı hala çok büyük.
Onlar. Herhangi bir mum konfigürasyonuna belirli bir sayı vektörü atayabilir ve gelecekte aynı konfigürasyonları tanımak için kullanabilirsiniz. Ancak, bu şekilde elde edilen olası konfigürasyonların sayısı o kadar fazladır ki, sonrasında fiyatın her zaman yükseleceği/azalacağı bir çeşit Kâse deseni bulmak muhtemelen imkansızdır. Örneğin, "Bill Williams fraktalları" stratejisinde, model 5 mumdan oluşur ve milyarlarca olası kombinasyondan sadece birkaçı işlem görür.
Burada resimde biraz daha net, örneğin 3 mum için.
Hayır teşekkürler))) Sadece farklı makinelerden rastgele önerdim ...
Fikri anlamadınız, birkaç kez gürültü üretebiliyorum ve farklı makinelere itmeme gerek yok)
Fikrin özü şu...
MO'yu tersine çevirmeler için eğitiyorum, alıntıların tarihinde çok fazla geri dönüş yok ... Alıntılar dalgalar halinde (dalgalar) hareket eder ve aslında, eğer düşünürseniz, tersine çevirme seçeneklerinin sayısı oldukça sınırlıdır, bunlar baş ve omuzların farklı mutasyonları, ikili tepeler , üçlü tepeler ve .tp ve bu rakamlar, piyasada bir tür efsanevi etkiye sahip oldukları için değil, dalga hareketinde tersine çevirme seçeneklerinin kendileri sonlu olduğu için ortaya çıkıyor, ya bu şekilde ya da Bu şekilde ve başka bir şey değil ve aslında piyasanın, kümülatif rastgele bir evin veya bir dalga yapısına benzer başka bir şeyin grafiğini oluşturursak, tersine dönüşlerin aynı rakamlarda gerçekleştiğini göreceğiz. rastgele ev aynı kafalara ve omuzlara sahip olacak ...
Yani D.Trader'ın attığı yazıda yazar, zaten var olan örneğe ek olarak ağ için de benzer bir örnek üretmenin mümkün olduğunu ve bu sayede ağın bilgi tabanını arttırdığımızı söyledi. ağın doğruluğunu artırın.
Yani piyasada çok fazla geri dönüş olmadığı için bir vaftiz babası aracılığıyla sırıttım. rastgele geri dönüşler hakkında sonsuz bir bilgi tabanı elde edebilirim ...
Anlıyor musun? Rastgele bir evde piyasayı tahmin edebilecek herhangi bir efsanevi güç aramıyorum)))) anlayın) ve bu teoriyi kontrol ettikten sonra ortaya koyduğum sonucu aldım, benim için sonuç iyimser.
hem "sıfır dürüst" hem de oynaklık sorununu ortadan kaldıracak şekilde verileri nasıl normalleştirebilirim ??? % AT
Ben böyle yaptım -
Teşekkürler, deneyeceğim....
Ben böyle yaptım....
Her şeyi doğru anladıysam, yöntem çok kaba ..
En basit tek şamdan desenini alalım.
üç üç seçeneğimiz var
hepsi aynı mantıksal kalıba uyuyor
O<H , O<C , O>L
H>O , H>C , H>L
C>O , C>L , C<H
L<O , L<C , L<H
Eğer doğru anladıysam, yönteminiz üç mumu da tek bir kalıp olarak sınıflandırıyor ve bu iyi değil
hem "sıfır dürüst" hem de oynaklık sorununu ortadan kaldıracak şekilde verileri nasıl normalleştirebilirim ??? % AT
Farkı tam olarak nasıl hesapladınız?
örneğin yüksek ve düşük arasındaki fark
a = yüksek
b = yakın
(a*100)/b yani ?
Bu yöntemle başarılı olamadım, ağ genellikle neyin cehennem olduğunu tanır, hatta mumların renklerini karıştırır.
Her şeyi doğru anladıysam, yöntem çok kaba.