이것은 시장에 대한 나의 이론에 쉽게 들어맞는다. 많은 돈을 가진 누군가가 자신의 알고리즘을 켜서 포지션을 취하거나 운영을 수행하고 일종의 대형 은행, 아마도 중앙 은행, 물론 이것은 빨리 완료되지 않지만이 참가자가 지배적이었고 시장이 상황이 이것에 기여한 다음 그의 알고리즘의 징후를 찾을 수 있었습니다. 물론 참가자가 시장에 영향을 미치지 않으면 표시가 작동하지 않습니다. 그러한 참가자(아마도 100명)가 많고 알고리즘이 겹칠 수 있지만 유사하다는 가정이 있습니다(기술적 분석과 은행이 이 분석을 고려하여 거래 운영 을 정당화해야 하는 요구 사항을 기억하십시오(적어도 러시아어에서는 연합)), 이러한 이유로 동일한 알고리즘이 반복적으로 실행된 대규모 샘플을 분석하는 것이 합리적입니다. 그러면 작동 방식을 이해하고 간접적인 기호로 설명할 수 있지만 모델은 다음을 배워야 합니다. 그것을 식별하고 노이즈에 대한 그 순간에 작동하지 않고 조정할 수 있는 알고리즘이 포함될 때까지 기다립니다. 나는 주식과 파생 상품에서 확실히 더 잘 작동할 것이라고 생각합니다. 저는 외환에서 ML을 하지 않습니다.
그러나 결국 우리는 큰 돈을 가진 사람들의 알고리즘을 설명할 10가지 모델을 찾고 어떤 알고리즘이 더 적합할지 결정하는 방법을 배워야 합니다. 알고리즘의 주기는 며칠이 될 수 있고 아마도 짧은 시간 동안 반복될 것이므로 약간의 지연으로 입력해도 무섭지 않습니다. 가장 중요한 것은 이 알고리즘에 적합한 모델을 선택하는 것입니다.
10개 모델에 대한 검색에 대한 x입니다. 그러나 시장에 진입하는 인파가 시작, 지속, 끝이 있는 주기로 구성되어 있다는 사실은 여기서 멈춘다.
분기점은 정보의 새로운 폭발적인 부분이 영향을 미치는 순간이며 시간에 따라 구조화됩니다. 일정 시간 동안 원(파도)으로 방사되는 교란.
따라서 예를 들어 Future 내부의 패턴입니다. 계약은 다른 선물보다 더 강력합니다. 계약, 언급
10개 모델에 대한 검색에 대한 x입니다. 그러나 시장에 진입하는 인파가 시작, 지속, 끝이 있는 주기로 구성되어 있다는 사실은 여기서 멈춘다.
이렇게 하려면 반전 알고리즘을 버리고 모델이 항상 시장에 나와 있지는 않다는 것을 가르쳐야 합니다. 내 전략으로 이를 수행할 수 있으며 이제 catboost 모델을 사용하여 이 방향으로 실험하고 있습니다. 불행히도 반년 동안 저장 한 나무의 잎은 예측 변수를 여러 번 변경했기 때문에 더 이상 사용할 수 없습니다 (로직에 오류가 있었고 막대를 열 때 지연이 평준화되었습니다. 계산이 실시간으로 이루어지므로 지연이 발생했습니다 ). 그러나 그들과 함께 작업하면 나무 / 숲의 예측 능력보다 개별적으로 더 정확한 패턴을 식별하는 것이 가능하므로 그들의 조합이 좋은 결과를 제공한다는 것도 확인합니다.
막심 드미트리예프스키 :
분기점은 정보의 새로운 폭발적인 부분이 영향을 미치는 순간이며 시간에 따라 구조화됩니다. 일정 시간 동안 원(파도)으로 방사되는 교란.
따라서 예를 들어 Future 내부의 패턴입니다. 계약은 다른 선물보다 더 강력합니다. 계약, 언급
따라서 이러한 점을 식별할 필요가 있으며 아마도 목표로 삼아야 할 필요가 있을 것입니다. 그리고 한 모델은 대상을 식별하고 다른 모델은 대상에 따라 적절한 거래 모델을 선택합니다. 또 다른 점은 주기 자체가 10개 막대를 통해 (전체적으로) 설정될 수 있는 한 줄에 주기 시작 기간을 표현하기 위해 예측자와 데이터 접기에 대해 다시 생각해야 한다는 것입니다.
이전 시스템에서는 Long 항목에 대해 30개 이상의 조건(매개변수)이 있었고, short 항목과 유사하게, exit에는 약간 적었습니다. 일련의 세트를 만들고 분할하고 트랜잭션 세트에서 떨어지는 추가 조건을 제거하는 등의 작업은 측정되지 않았습니다.
따라서 이러한 점을 식별할 필요가 있으며 아마도 목표로 삼아야 할 필요가 있을 것입니다. 그리고 한 모델은 대상을 식별하고 다른 모델은 대상에 따라 적절한 거래 모델을 선택합니다. 또 다른 점은 주기 자체가 10개 막대를 통해 (전체적으로) 설정될 수 있는 한 줄에 주기 시작 기간을 표현하기 위해 예측자와 데이터 접기에 대해 다시 생각해야 한다는 것입니다.
catbatch의 경우 GPU에서 배치 파일을 통해 즉시 둘 이상의 처리를 실행할 수 있는 것으로 나타났습니다. 콘솔 응용 프로그램을 호출하는 두 개의 배치 파일을 즉시 실행합니다. 그리고 이 경우 적어도 내 모델에서는 모델 생성을 위한 GPU의 속도가 변경되지 않으므로 계산을 병렬화할 수 있습니다. 통로와 제한 사항은 아직 완전히 연구되지 않았습니다. 당신의 alglib를 버리고 catbust 고뇌 가자 ;)
알렉세이 비아즈미킨 : catbatch의 경우 GPU에서 배치 파일을 통해 즉시 둘 이상의 처리를 실행할 수 있는 것으로 나타났습니다. 콘솔 응용 프로그램을 호출하는 두 개의 배치 파일을 즉시 실행합니다. 그리고 이 경우 적어도 내 모델에서는 모델 생성을 위한 GPU의 속도가 변경되지 않으므로 계산을 병렬화할 수 있습니다. 통로와 제한 사항은 아직 완전히 연구되지 않았습니다. 당신의 alglib를 버리고 catbust 고뇌 가자 ;)
프로그램은 (Yandex의 다른 모든 것과는 달리) 놀라울 정도로 훌륭합니다. 심지어 CERN도 이를 사용하여 충돌기의 데이터를 처리합니다.
이것은 시장에 대한 나의 이론에 쉽게 들어맞는다. 많은 돈을 가진 누군가가 자신의 알고리즘을 켜서 포지션을 취하거나 운영을 수행하고 일종의 대형 은행, 아마도 중앙 은행, 물론 이것은 빨리 완료되지 않지만이 참가자가 지배적이었고 시장이 상황이 이것에 기여한 다음 그의 알고리즘의 징후를 찾을 수 있었습니다. 물론 참가자가 시장에 영향을 미치지 않으면 표시가 작동하지 않습니다. 그러한 참가자(아마도 100명)가 많고 알고리즘이 겹칠 수 있지만 유사하다는 가정이 있습니다(기술적 분석과 은행이 이 분석을 고려하여 거래 운영 을 정당화해야 하는 요구 사항을 기억하십시오(적어도 러시아어에서는 연합)), 이러한 이유로 동일한 알고리즘이 반복적으로 실행된 대규모 샘플을 분석하는 것이 합리적입니다. 그러면 작동 방식을 이해하고 간접적인 기호로 설명할 수 있지만 모델은 다음을 배워야 합니다. 그것을 식별하고 노이즈에 대한 그 순간에 작동하지 않고 조정할 수 있는 알고리즘이 포함될 때까지 기다립니다. 나는 주식과 파생 상품에서 확실히 더 잘 작동할 것이라고 생각합니다. 저는 외환에서 ML을 하지 않습니다.
그러나 결국 우리는 큰 돈을 가진 사람들의 알고리즘을 설명할 10가지 모델을 찾고 어떤 알고리즘이 더 적합할지 결정하는 방법을 배워야 합니다. 알고리즘의 주기는 며칠이 될 수 있고 아마도 짧은 시간 동안 반복될 것이므로 약간의 지연으로 입력해도 무섭지 않습니다. 가장 중요한 것은 이 알고리즘에 적합한 모델을 선택하는 것입니다.
10개 모델에 대한 검색에 대한 x입니다. 그러나 시장에 진입하는 인파가 시작, 지속, 끝이 있는 주기로 구성되어 있다는 사실은 여기서 멈춘다.
분기점은 정보의 새로운 폭발적인 부분이 영향을 미치는 순간이며 시간에 따라 구조화됩니다. 일정 시간 동안 원(파도)으로 방사되는 교란.
따라서 예를 들어 Future 내부의 패턴입니다. 계약은 다른 선물보다 더 강력합니다. 계약, 언급
역사에 존재하지만 알고리즘화하는 방법을 모르겠습니다.
역사가 존재할 수 있습니다. 그리고 실시간, 그리고 정시에 그것을 감지하는 것이 가능합니까? 이것이 알려지지 않았다면 해결책이 전혀 존재하지 않는다는 사실이 전혀 아닙니다.
보통 그런 것들을 통계로 확인한다. 대부분의 경우 결과가 없습니다.) 눈으로 볼 수 있지만 통계에 따르면 거기에는 아무 것도 없습니다. 겉보기 달의 겉보기 반영입니다.)
역사가 존재할 수 있습니다. 그리고 실시간, 그리고 정시에 그것을 감지하는 것이 가능합니까? 이것이 알려지지 않았다면 해결책이 전혀 존재하지 않는다는 사실이 전혀 아닙니다.
보통 그런 것들을 통계로 확인한다. 대부분의 경우 결과가 없습니다.) 눈으로 볼 수 있지만 통계에 따르면 거기에는 아무 것도 없습니다. 겉보기 달의 겉보기 반영입니다.)
차트에 꽂으면 눈으로 볼 수 있습니다. 프로그래밍 방식으로 방법을 모르겠습니다.
10개 모델에 대한 검색에 대한 x입니다. 그러나 시장에 진입하는 인파가 시작, 지속, 끝이 있는 주기로 구성되어 있다는 사실은 여기서 멈춘다.
이렇게 하려면 반전 알고리즘을 버리고 모델이 항상 시장에 나와 있지는 않다는 것을 가르쳐야 합니다. 내 전략으로 이를 수행할 수 있으며 이제 catboost 모델을 사용하여 이 방향으로 실험하고 있습니다. 불행히도 반년 동안 저장 한 나무의 잎은 예측 변수를 여러 번 변경했기 때문에 더 이상 사용할 수 없습니다 (로직에 오류가 있었고 막대를 열 때 지연이 평준화되었습니다. 계산이 실시간으로 이루어지므로 지연이 발생했습니다 ). 그러나 그들과 함께 작업하면 나무 / 숲의 예측 능력보다 개별적으로 더 정확한 패턴을 식별하는 것이 가능하므로 그들의 조합이 좋은 결과를 제공한다는 것도 확인합니다.
분기점은 정보의 새로운 폭발적인 부분이 영향을 미치는 순간이며 시간에 따라 구조화됩니다. 일정 시간 동안 원(파도)으로 방사되는 교란.
따라서 예를 들어 Future 내부의 패턴입니다. 계약은 다른 선물보다 더 강력합니다. 계약, 언급
따라서 이러한 점을 식별할 필요가 있으며 아마도 목표로 삼아야 할 필요가 있을 것입니다. 그리고 한 모델은 대상을 식별하고 다른 모델은 대상에 따라 적절한 거래 모델을 선택합니다. 또 다른 점은 주기 자체가 10개 막대를 통해 (전체적으로) 설정될 수 있는 한 줄에 주기 시작 기간을 표현하기 위해 예측자와 데이터 접기에 대해 다시 생각해야 한다는 것입니다.
차트에 꽂으면 눈으로 볼 수 있습니다. 프로그래밍 방식으로 방법을 모르겠습니다.
프로그래밍 방식으로는 긴 이야기입니다.
이전 시스템에서는 Long 항목에 대해 30개 이상의 조건(매개변수)이 있었고, short 항목과 유사하게, exit에는 약간 적었습니다. 일련의 세트를 만들고 분할하고 트랜잭션 세트에서 떨어지는 추가 조건을 제거하는 등의 작업은 측정되지 않았습니다.
프로그래밍 방식으로는 긴 이야기입니다.
이전 시스템에서는 Long 항목에 대해 30개 이상의 조건(매개변수)이 있었고, short 항목과 유사하게, exit에는 약간 적었습니다. 일련의 세트를 만들고 분할하고 트랜잭션 세트에서 떨어지는 추가 조건을 제거하는 등의 작업은 측정되지 않았습니다.
따라서 이러한 점을 식별할 필요가 있으며 아마도 목표로 삼아야 할 필요가 있을 것입니다. 그리고 한 모델은 대상을 식별하고 다른 모델은 대상에 따라 적절한 거래 모델을 선택합니다. 또 다른 점은 주기 자체가 10개 막대를 통해 (전체적으로) 설정될 수 있는 한 줄에 주기 시작 기간을 표현하기 위해 예측자와 데이터 접기에 대해 다시 생각해야 한다는 것입니다.
글쎄, 이것은 서기관이라는 것이 분명합니다. 아무도 논쟁하지 않습니다))
catbatch의 경우 GPU에서 배치 파일을 통해 즉시 둘 이상의 처리를 실행할 수 있는 것으로 나타났습니다. 콘솔 응용 프로그램을 호출하는 두 개의 배치 파일을 즉시 실행합니다. 그리고 이 경우 적어도 내 모델에서는 모델 생성을 위한 GPU의 속도가 변경되지 않으므로 계산을 병렬화할 수 있습니다. 통로와 제한 사항은 아직 완전히 연구되지 않았습니다. 당신의 alglib를 버리고 catbust 고뇌 가자 ;)
프로그램은 (Yandex의 다른 모든 것과는 달리) 놀라울 정도로 훌륭합니다. 심지어 CERN도 이를 사용하여 충돌기의 데이터를 처리합니다.
아직 시간이 없다, 그럼 mb
멋진 KNIME 소프트웨어도 있으며 모든 종류의 부스팅, 데이터 분석 및 시각화가 있습니다.
프로그래밍 없이 xgboost를자를 수 있으며 catboost도 추가할 수 있습니다.
프로그램은 (Yandex의 다른 모든 것과는 달리) 놀라울 정도로 훌륭합니다. 심지어 CERN도 이를 사용하여 충돌기의 데이터를 처리합니다.
아직 시간이 없다, 그럼 mb
주기적으로 수정되고 새로운 릴리스가 추가되는 오픈 소스의 중요한 기여가 있다고 생각합니다. 어, 이 코드를 읽을 수 있다면... 당신이 차용하고 자신을 발전시켜 자신만의 부스트를 발명할 수 있는 많은 아이디어가 있는 것 같습니다.
멋진 KNIME 소프트웨어도 있으며 모든 종류의 부스팅, 데이터 분석 및 시각화가 있습니다.
프로그래밍 없이 xgboost를자를 수 있으며 catboost도 추가할 수 있습니다.
고맙습니다! 그러나 지금은 샘플 생성부터 어드바이저에 소개하는 전체 주기를 디버깅했기 때문에 catbus가 충분합니다. 그리고 파이썬 브리지와 달리 최적화를 사용하여 다양한 모델, 모델의 조합, 모델이 제공하는 "확률"에 대한 해석을 테스트할 수 있습니다.
사실, 저는 범주형 기능(CatBoost 기능)으로 작업할 수 없습니다. 저는 그러한 모델 인터프리터가 없지만 예비 연구에 따르면 이러한 모델을 사용하면 시간 간격에 따라 더 큰 안정성이 제공되는 것으로 나타났습니다. 훈련은 5배 느리지만 모델이 더 좋습니다.