Bibliothek Frage re Maschine Lernen und Pattern Recognition für Algorithmic Forex und Stock Trading Hallo, Nachdem ich durch die Video-Serie Machine Learning und Pattern Recognition für Algorithmic Forex und Stock Trading Ich frage mich, ob Sie möglicherweise zeigen, mich zu Ein bestimmtes, bereits existierendes librarymodule, das die Arbeit des Mustererkennungsaspekts des Codes macht Danke. Du musst angemeldet sein, um Beiträge verfassen zu können. Bitte einloggen oder registrieren. Schauen Sie sich Scikit-Learn - Harrison Vor 6 Monaten Sie müssen angemeldet sein, um eine Nachricht zu schreiben. Bitte einloggen oder registrieren. Vielen Dank für die Antwort Können Sie mir sagen, welche spezifische Funktion wäre am ähnlichsten zu der Methode verwendet hier war ich durch eine der anderen großen ML-Intro-Serie mit Scikit-Learn auf dieser Website gegangen, aber diese Muster-Matching scheint nicht abgedeckt werden - Im mehr als glücklich, einige Forschung zu tun, sobald ich weiß, wo ich anfangen soll - ich habe ein Buch über statistische Mustererkennung, aber seine ein bisschen über meinem Kopf jetzt - roger Vor 6 Monaten Sie müssen angemeldet sein, um zu schreiben. Bitte einloggen oder registrieren. Theres nichts, dass ich weiß, dass die Algo, die wir in der Muster-Rec-Serie passt, aber es gibt viel robuster Algorithmen, die Sie verwenden könnte, behandeln Sie einfach als Feature und verwenden Sie Regression oder etwas von dieser Art zu starten. - Harrison vor 6 MonatenMachine Learning und Pattern Recognition für algorithmische Forex und Stock Trading Einführung Machine Lernen in jeder Form, einschließlich Muster Anerkennung, hat natürlich viele Anwendungen von Stimme und Gesichtserkennung, medizinische Forschung. In diesem Fall ist unsere Frage, ob wir Mustererkennung verwenden können, um vorhergehende Situationen, die ähnlich in Muster waren, zu beziehen. Wenn wir das tun können, können wir dann Geschäfte machen, die auf dem, was wir wissen, mit diesen Mustern in der Vergangenheit passiert sind und tatsächlich einen Gewinn machen. Wenn Sie dieses Thema zu genießen, wäre der nächste Schritt, um in GPU-Beschleunigung oder Threading. Ich brauche nur Matplotlib (für Datenvisualisierung) und einige NumPy (für Nummernknirschen), und der Rest ist bis zu uns. Python ist natürlich eine Singlethread-Sprache, was bedeutet, dass jedes Skript nur eine einzige CPU verwendet (normalerweise bedeutet dies, dass es einen einzelnen CPU-Kern verwendet und manchmal sogar nur halb oder viertel oder schlechter ist als dieser Kern). Dies ist der Grund, warum Programme in Python kann eine Weile dauern, bis Computer etwas, aber Ihre Verarbeitung möglicherweise nur 5 und RAM 10. Um mehr über Threading zu erfahren, können Sie die Threading-Tutorial auf dieser Website. Der einfachste Weg, um diese Module heutzutage zu erhalten, ist die Verwendung von pip install. Pip ist wahrscheinlich der einfachste Weg, um Pakete zu installieren Wenn Sie Python installieren, sollten Sie in der Lage sein, Ihre Eingabeaufforderung wie cmd. exe auf Windows oder bash auf linux zu öffnen, und geben Sie: pip ein Install numpy pip install matplotlib Trotzdem immer noch kein Problem, theres ein Tutorium dafür: pip installieren Python Module Tutorial. Wenn Sie noch Probleme haben, zögern Sie nicht uns zu kontaktieren, mit dem Kontakt in der Fußzeile dieser Website. Der Plan ist, eine Gruppe von Preisen in einem Zeitrahmen zu nehmen, und wandeln sie in Prozent-Änderung in einem Versuch, die Daten zu normalisieren. Nehmen wir an, wir nehmen 50 aufeinander folgende Preispunkte für die Erklärung. Was gut ist, ist dieses Muster in das Gedächtnis zuzuordnen, einen Preispunkt vorwärts zu bewegen und das Muster neu zuzuordnen. Für jedes Muster, das wir in den Speicher abbilden, wollen wir dann einen Sprung nach vorne, ein bisschen, sagen wir, 10 Preispunkte und Log, wo der Preis an diesem Punkt ist. Dann ordnen wir dieses Ergebnis dem Muster zu und fahren fort. Jedes Muster hat sein Ergebnis. Als nächstes nehmen wir das gegenwärtige Muster und vergleichen es mit allen vorherigen Mustern. Was gut ist, vergleichen Sie die prozentuale Ähnlichkeit zu allen vorherigen Mustern. Wenn ihre prozentuale Ähnlichkeit mehr als eine gewisse Schwelle ist, dann würden sie darüber nachdenken. Von hier haben wir vielleicht 20-30 vergleichbare Muster aus der Geschichte. Mit diesen ähnlichen Mustern, können wir dann alle ihre Ergebnisse zu aggregieren, und kommen mit einem geschätzten durchschnittlichen Ergebnis. Mit diesem durchschnittlichen Ergebnis, wenn es sehr günstig ist, dann könnten wir einen Kauf zu initiieren. Wenn das Ergebnis nicht günstig ist, vielleicht verkaufen wir oder kurz. Für die Visualisierung ist hier ein Beispiel: Im obigen Beispiel soll das vorhergesagte Durchschnittsmuster steigen, so dass wir einen Kauf initiieren könnten. Diese Serie wird nicht mit Ihnen beenden jede Art von get-rich-quick-Algorithmus. Es gibt ein paar bekannte Fehler mit diesem Programm, und die Chancen für Sie in der Lage, Trades schnell genug mit diesem Tick-Daten auszuführen ist unwahrscheinlich, es sei denn, Sie sind eine Bank. Das Ziel hier ist, Ihnen zu zeigen, wie einfach und grundlegende Mustererkennung ist. Solange Sie einige grundlegende Programmierkenntnisse Python haben, sollten Sie in der Lage, mitzukommen.
No comments:
Post a Comment