Bayesian regresyon - Bu algoritmayı kullanarak Uzman Danışman yapan var mı? - sayfa 50
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
Desenler zamana bağlıdır. Haftanın her günü için ayrı bir sınıflandırıcı üzerinde eğitim alın veya kaynak verilere ayın evresini (ciddiyim) veya günün saatini eklemeyi deneyin, ne yapacağımı bilmiyorum, ancak bu çok önemli.
2) Evet, bunu zaten yaptım. Büyük bir veri setim var - burada paylaşabilirim - fiyat verilerine eklediğim yer:
- saat
- dakika
- haftanın günü
- ay
- aydaki gün
Tabii ki, bu arşivdir. Yalnızca TS'nin başarılı olduğu günü veya günün saatini değil, TS'nin başarılı olduğu piyasanın doğasını belirlemeniz gerekir - trend, düz, mevsimsel modeller. Haftanın günü veya aracının gadget'ları değil, verilerin yapısını öncelikli olarak belirleyen piyasanın doğasıdır. Piyasanın doğası tarihte belirlenebilir, ancak Dmitry Fedoseev'in yazdığı gibi gerçek hayatta belirlenebilir: "Teknik analizin ve buna bağlı olarak ticaretin ana sorunu bir trend belirlemektir ."
Örneğin, bir TS bir dairede başarılı olarak kabul edilir. Düz olduğunu öngören herhangi bir gösterge var mı?
Tabii ki, bu arşivdir. Yalnızca TS'nin başarılı olduğu günü veya günün saatini değil, TS'nin başarılı olduğu piyasanın doğasını belirlemeniz gerekir - trend, düz, mevsimsel modeller. Haftanın günü veya aracının gadget'ları değil, verilerin yapısını öncelikli olarak belirleyen piyasanın doğasıdır. Piyasanın doğası tarihte belirlenebilir, ancak Dmitry Fedoseev'in yazdığı gibi gerçek hayatta belirlenebilir: "Teknik analizin ve buna bağlı olarak ticaretin ana sorunu bir trend belirlemektir ."
Örneğin, bir TS bir dairede başarılı olarak kabul edilir. Düz olduğunu öngören herhangi bir gösterge var mı?
İşin aslı, gün ve saat önceden belirlenebilir, ancak trend ve düzlük belirlenemez.
Ve trendi ve düzlüğü önceden nasıl belirleyeceğinizi biliyorsanız, o zaman başka hiçbir şeye ihtiyacınız yoktur - kâse yüzünüzde.
Düz olduğunu öngören herhangi bir gösterge var mı?
Bunu yapmak için, Alexey'nin blogunda olduğu gibi ağaçlar ve R aracılığıyla bir sınıflandırıcı da yapabilirsiniz. Birkaç yıllık çubuk geçmişi toplamanız, ardından manuel olarak veya bazı göstergelerle hangi zaman aralıklarının düz olduğunu ve hangilerinin olmadığını belirtmeniz ve modeli eğitmeniz gerekir. Sadece eğitim için örnekte olduğu gibi sonraki dönemdeki fiyat artışını değil, yatay/trend değerlerini (örneğin sırasıyla 0 ve 1) veriniz. Ve bir gösterge alırsınız.
Ancak genel olarak, gelecekte bir fiyat artışı öngören sıfırdan bir sınıflandırıcı yaparsanız, sınıflandırıcının kendisinin bir daireyi bir trendden ayırt etmeyi öğrenmesi gerekir. Mantığı bu kadar net kavramlara sahip olmayacak, ancak kavramsal olarak, piyasanın farklı karakterlerini ayırt etmeyi ve bunlara bağlı olarak tahminleri değiştirmeyi öğrenmesi gerekiyor. Yeterli bir sınıflandırıcı yalnızca belirli zaman aralıklarında çalışmamalıdır, görevi her zaman kârlı çalışmaktır.
Bunu yapmak için, Alexey'nin blogunda olduğu gibi ağaçlar ve R aracılığıyla bir sınıflandırıcı da yapabilirsiniz. Birkaç yıllık çubuk geçmişi toplamanız, ardından manuel olarak veya bazı göstergelerle hangi zaman aralıklarının düz olduğunu ve hangilerinin olmadığını belirtmeniz ve modeli eğitmeniz gerekir. Sadece eğitim için örnekte olduğu gibi sonraki dönemdeki fiyat artışını değil, yatay/trend değerlerini (örneğin sırasıyla 0 ve 1) veriniz. Ve bir gösterge alırsınız.
Gösterge değil, sınıflandırıcı - tahmin etmez, sınıflandırır. Yani, kabaca konuşursak, tarihin bir bölümünü inceledikten sonra, bu bölümün trend mi yoksa düz mü olduğunu söyleyebilecektir.
Ancak tek sorun, bunu gözle yapabilmem - göstergeye gerek yok.
Gösterge değil, sınıflandırıcı - tahmin etmez, sınıflandırır. Yani, kabaca konuşursak, tarihin bir bölümünü inceledikten sonra, bu bölümün trend mi yoksa düz mü olduğunu söyleyebilecektir.
Ancak tek sorun, bunu gözle yapabilmem - göstergeye gerek yok.
Pratik farklı bir hikaye anlatır. Ne öğrettiğine dikkat et.
Sadece geçmişi sınıflandırırsanız, evet.
Ve eğer öğretmenleri hareket ettirirseniz, yani. yordayıcıların geçmiş değerleri öğretmenin şimdiki değerine karşılık gelir, o zaman geleceği tahmin edersiniz. Örneğin, 1 bar kaydırıldı. Yeni bir çubuk geldiğinde, tüm tahmin edicilerinizi hesapladığınız ve ardından GEÇMİŞ'te eğitilmiş modeli kullanarak düz trendlerinizi tahmin ettiğiniz ortaya çıktı. 1'den fazla kayma ile öğrenmek mümkündür. Önceki çubukları tahmin eden tahmin modellerinde, tahmin ufku arttıkça hatanın (en iyi ihtimalle) toplanması dikkat çekicidir, ancak sınıflandırmada durum böyle değildir. Yani, H1 için bir tahminle: +1 = %30 (gerçek rakam), +2 biraz daha ve +4 neredeyse %30 hata.
Ayrıca Burnakov evleriyle arkadaş olmaya başlarsanız, gelecekte +1 çubuğuyla yaklaşık olarak aynı tahmin hatasına sahip olacak kaymalar bulabilirsiniz.
Bunu yapmak için, Alexey'nin blogunda olduğu gibi ağaçlar ve R aracılığıyla bir sınıflandırıcı da yapabilirsiniz. Birkaç yıllık çubuk geçmişi toplamanız, ardından manuel olarak veya bazı göstergelerle hangi zaman aralıklarının düz olduğunu ve hangilerinin olmadığını belirtmeniz ve modeli eğitmeniz gerekir. Sadece eğitim için örnekte olduğu gibi sonraki dönemdeki fiyat artışını değil, yatay/trend değerlerini (örneğin sırasıyla 0 ve 1) veriniz. Ve bir gösterge alırsınız.
Ancak genel olarak, gelecekte bir fiyat artışı öngören sıfırdan bir sınıflandırıcı yaparsanız, sınıflandırıcının kendisinin bir daireyi bir trendden ayırt etmeyi öğrenmesi gerekir. Mantığı bu kadar net kavramlara sahip olmayacak, ancak kavramsal olarak, piyasanın farklı karakterlerini ayırt etmeyi ve bunlara bağlı olarak tahminleri değiştirmeyi öğrenmesi gerekiyor. Yeterli bir sınıflandırıcı yalnızca belirli zaman aralıklarında çalışmamalıdır, görevi her zaman kârlı çalışmaktır.
Alexey'nin blogu, model eğitimi, sınıflandırması, görevim ve kendim için çok karmaşık uzantılar. Belli bir olasılıkla bir daireyi tahmin etmek benim için daha kolay olurdu.
ADX gibi bir şey. Ve MQL4'te, sadece mat uzmanları için değil, tüccarlar, ekonomistler ve filozoflar için de açık olacaktır. paketler ve programlama dilleri R, Python, vb.
Bunu yapmak için, Alexey'nin blogunda olduğu gibi ağaçlar ve R aracılığıyla bir sınıflandırıcı da yapabilirsiniz. Birkaç yıllık çubuk geçmişi toplamanız, ardından manuel olarak veya bazı göstergelerle hangi zaman aralıklarının düz olduğunu ve hangilerinin olmadığını belirtmeniz ve modeli eğitmeniz gerekir. Sadece eğitim için örnekte olduğu gibi sonraki dönemdeki fiyat artışını değil, yatay/trend değerlerini (örneğin sırasıyla 0 ve 1) veriniz. Ve bir gösterge alırsınız.
Ancak genel olarak, gelecekte bir fiyat artışı öngören sıfırdan bir sınıflandırıcı yaparsanız, sınıflandırıcının kendisinin bir daireyi bir trendden ayırt etmeyi öğrenmesi gerekir. Mantığı bu kadar net kavramlara sahip olmayacak, ancak kavramsal olarak, piyasanın farklı karakterlerini ayırt etmeyi ve bunlara bağlı olarak tahminleri değiştirmeyi öğrenmesi gerekiyor. Yeterli bir sınıflandırıcı yalnızca belirli zaman aralıklarında çalışmamalıdır, görevi her zaman kârlı çalışmaktır.
Bunu öğrenmek için bir sınıflandırıcım var gibi görünüyor.
Bak, bu giriş veri şeması.
makineyi veriyorum:
hareketli ortalama fark
hareketli yüksek fark
ayrıca minimum ile
veri aralığı
standart sapma
ve sadece gecikmeli alınan fiyatlar arasındaki fark.
Şimdi bu pencerenin hala 2 ila 724 dakika arasında değiştiğini hayal edin - bu tür tahmin edicilerin 18 seti var.
Teoride bu, bir trend hareketini bir daireden ayırt etmek için yeterlidir. Asgari olarak, gecikmeli fiyatlar ile veri aralığı (ve standart sapma) arasındaki fark çok şey anlatır.
Ayrıca fiyat penceresi için doğrusal regresyonun eğimini almak istedim. Ayrıca değişken pencere ile. Ama bunlar aynı yumurtalar. Yine de deneyebilirsin.
Bu nedenle, sınıflandırıcı, aralıklar ve standart sapmalar dahil olmak üzere fiyatlar arasındaki farkların yanı sıra, en önemli tahmin edici olarak hareketli ortalama ile farkı sürekli olarak vurgular. Her şey onun tarafından kullanılıyor.
Pratik farklı bir hikaye anlatır. Ne öğrettiğine dikkat et.
Sadece geçmişi sınıflandırırsanız, evet.
Ve eğer öğretmenleri hareket ettirirseniz, yani. yordayıcıların geçmiş değerleri öğretmenin şimdiki değerine karşılık gelir, o zaman geleceği tahmin edersiniz. Örneğin, 1 bar kaydırıldı. Yeni bir çubuk geldiğinde, tüm tahmin edicilerinizi hesapladığınız ve ardından GEÇMİŞ'te eğitilmiş modeli kullanarak düz trendlerinizi tahmin ettiğiniz ortaya çıktı. 1'den fazla kayma ile öğrenmek mümkündür. Önceki çubukları tahmin eden tahmin modellerinde, tahmin ufku arttıkça hatanın (en iyi ihtimalle) toplanması dikkat çekicidir, ancak sınıflandırmada durum böyle değildir. Yani, H1 için bir tahminle: +1 = %30 (gerçek rakam), +2 biraz daha ve +4 neredeyse %30 hata.
Ayrıca Burnakov evleriyle arkadaş olmaya başlarsanız, gelecekte +1 çubuğuyla yaklaşık olarak aynı tahmin hatasına sahip olacak kaymaları bulabileceksiniz.
Evet. Örneğin ARIMA gibi bir adım ilerisini öngörmüyorum. Arima için hata katlanarak büyüyor çünkü bir adım ileride tahmin edilen şey bir tahmin edici olarak kullanılıyor ve bu, önceden tahmin edilmesi gerektiği kadar tekrarlanıyor.
Başlangıçta modelleri sırayla eğitmek için 18 hedef değişkenim vardı (eğitim parametrelerini yineliyorum ve en iyi kombinasyonda duruyorum). Böylece hangi ufuk için her şeyin daha iyi tahmin edildiğini görüyorum.
Tüm hedefler için eğitimim yaklaşık bir gün sürer. Ama bu sınır değil. GPU üzerindeki çok katmanlı bir sinir ağı, bir hedef için bir hafta boyunca eğitilebilir.
Başlangıçta modelleri sırayla eğitmek için 18 hedef değişkenim vardı (eğitim parametrelerini yineliyorum ve en iyi kombinasyonda duruyorum).
Evet. Örneğin ARIMA gibi bir adım ilerisini öngörmüyorum. Arima için hata katlanarak büyüyor çünkü bir adım ileride tahmin edilen şey bir tahmin edici olarak kullanılıyor ve bu, önceden tahmin edilmesi gerektiği kadar tekrarlanıyor.
Başlangıçta modelleri sırayla eğitmek için 18 hedef değişkenim vardı (eğitim parametrelerini yineliyorum ve en iyi kombinasyonda duruyorum). Böylece hangi ufuk için her şeyin daha iyi tahmin edildiğini görüyorum.
Tüm hedefler için eğitimim yaklaşık bir gün sürer. Ama bu sınır değil. GPU üzerindeki çok katmanlı bir sinir ağı, bir hedef için bir hafta boyunca eğitilebilir.