diff --git a/v2realbot/ENTRY_ClassicSL_v01.py b/v2realbot/ENTRY_ClassicSL_v01.py index 4aee5fc..e1c79b8 100644 --- a/v2realbot/ENTRY_ClassicSL_v01.py +++ b/v2realbot/ENTRY_ClassicSL_v01.py @@ -51,7 +51,7 @@ Hlavní loop: """ def next(data, state: StrategyState): - print(10*"*","NEXT START",10*"*") + ##print(10*"*","NEXT START",10*"*") # important vars state.avgp, state.positions, state.vars, data #indicators moved to call_next in upper class diff --git a/v2realbot/LSTMtrain.py b/v2realbot/LSTMtrain.py index 60a4b54..f3d6b2e 100644 --- a/v2realbot/LSTMtrain.py +++ b/v2realbot/LSTMtrain.py @@ -48,7 +48,8 @@ from joblib import load #9. jiny pristup by byl ucit model na konkretnich chunkach, ktere chci aby mi identifikoval. Např. určité úseky. Vymyslet. Buď nyni jako test intervaly, ale v budoucnu to treba jen nejak oznacit a poslat k nauceni. Pripadne pak udelat nejaky vycuc. #10. mozna správným výběrem targetu, můžu taky naučit jen určité věci. Specializace. Stačí když se jednou dvakrát denně aktivuje. # 11. udelat si go IN model, ktery pomuze strategii generovat vstup - staci jen aby mel trochu lepsi edge nez conditiony, o zbytek se postara logika strategie -# 12. model pro neagregované nebo jen filtroné či velmi lehce agregované trady? +# 12. model pro neagregované nebo jen filtroné či velmi lehce agregované trady? - tickprice +# 13. jako featury pouzit Fourierovo transformaci, na sekundovem baru nebo tickprice #DULEZITE # soustredit se v modelech na predikci nasledujici hodnoty, ideálně nějaký vektor ukazující směr (např. 0 - 1, kde nula nebude růst, 1 - bude růst strmě) diff --git a/v2realbot/static/index.html b/v2realbot/static/index.html index 2454784..79c04d6 100644 --- a/v2realbot/static/index.html +++ b/v2realbot/static/index.html @@ -177,7 +177,7 @@ -
+
@@ -236,7 +236,7 @@ -
+