Pour ma stratégie de scalping (tp 10 et SL 33), j'utilise un modèle randomforest…
- User
Pour ma stratégie de scalping (tp 10 et SL 33), j'utilise un modèle randomforest classification. J'utilise des ticks data que je transforme en bars de gamme (comme chez tradingview) de 7 points (CT) et 15 points (LT) . Comme features, j'ai les prix open, close, high, low et volume de ces styles de bougies mais aussi 4 indicateurs que sont le 'tsi' (indice de force de tendances) et le stochastic en heikkein ashi, et le RVI . Le taux de précision du modele moyen est de 70%. Comment ameliorer le taux de précision en ajoutant un ou autres indicateurs ?
Assistant
Voici quelques suggestions pour améliorer le taux de précision de votre modèle de classification Random Forest pour le scalping :
-
Ajouter des indicateurs techniques supplémentaires :
- MACD (Moving Average Convergence Divergence) : Peut aider à identifier les tendances et les momentums.
- RSI (Relative Strength Index) : Indique si un actif est suracheté ou survendu.
- ADX (Average Directional Index) : Mesure la force de la tendance.
- Bollinger Bands : Peuvent aider à identifier la volatilité et les cassures potentielles.
- ICHIMOKU KINKŌ HYŌ : Fournit une vue complète de la dynamique du marché.
-
Incorporer des données fondamentales :
- Nouvelles financières et événements économiques qui peuvent avoir un impact sur les prix.
-
Améliorer la qualité des données :
- Assurez-vous que les données sont propres et sans valeurs aberrantes.
- Normalisez ou standardisez les données pour que chaque feature ait le même ordre de grandeur.
-
Optimiser les hyperparamètres :
- Utilisez une technique comme la validation croisée pour trouver les meilleurs hyperparamètres pour votre Random Forest.
- Essayez d’ajuster le nombre d’arbres, la profondeur maximale des arbres, et le nombre de features à considérer à chaque split.
-
Feature Engineering :
- Créez des features supplémentaires basées sur les données existantes, comme les ratios de prix (open/close, high/low), la variation de volume, etc.
- Utilisez des fenêtres de temps glissantes pour capturer les tendances sur différentes périodes.
-
Ensemble Methods :
- Essayez d’autres modèles d’ensemble comme XGBoost, LightGBM ou CatBoost, qui peuvent parfois surpasser Random Forest.
-
Recourir à l’apprentissage automatique non supervisé :
- Utilisez des techniques de réduction de dimension comme PCA (Principal Component Analysis) pour identifier les features les plus importantes.
-
Backtesting rigoureux :
- Testez votre modèle sur des données historiques pour évaluer sa performance et ajustez en conséquence.
- Utilisez des périodes de temps variées pour vous assurer que le modèle est robuste dans différentes conditions de marché.
En ajoutant ces indicateurs et en affinant votre approche, vous pourriez améliorer le taux de précision de votre modèle.
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.