나는 그 아이디어를 논리적인 결론에 이르게 할 것이다. 하나의 자산에 일련의 시스템이 있다고 가정합니다. 각 시스템은 시장에 출시될 때 고정된 볼륨의 위치를 유지하지만 방향은 바뀔 수 있습니다. 전략의 수익성과 변동성은 알려져 있습니다. 공식 (t1-t2)/sqrt(T1*T2)로 전략 간의 상관 관계를 정의해 보겠습니다. 여기서 T1과 T2는 시장에 머무는 기간이고 t1과 t2는 이러한 전략이 유지되는 기간입니다. 시장에서 동시에 그리고 각각 동등하게 그리고 반대로 지시합니다. 가격이 SB에 가깝다는 가정 하에 도출된 단순화된 공식입니다. 이제 최적의 포트폴리오를 찾기 위해 마코위츠 이론을 적용할 모든 데이터가 있습니다.
분명히, 우리는 이러한 방식으로 의미 있는 포트폴리오를 얻지 못할 것입니다(적어도 하나의 자산만 사용된다는 사실 때문에). 약간의 수정이 필요합니다.
1) 최적화 알고리즘 변경(파라미터 제한, 패널티). 전략 간의 상관관계 정의를 구체화합니다.
2) 전략 수립 시점에 이미 포트폴리오를 최적화합니다. 즉, 포트폴리오 최적의 조건을 기반으로 전략을 찾는 것입니다. 이것이 어떻게 실제적인 방식으로 공식화될 수 있는지 완전히 명확하지 않지만 접근 방식이 전반적으로 더 논리적으로 보입니다. 이미 쓴 것처럼 알고리즘 등을 다시 작성하는 등의 작업이 필요합니다. 게임이 촛불의 가치가 있다는 사실이 아니라
당신이 말하는 모든 것이 옳습니다. 그러나 나는 시장에서 보낸 시간 만 고려하지 않을 것입니다. 시장에 진입하고 머무르는 것만으로는 충분하지 않기 때문에이 기간 동안 행동의 효과에 대한 특정 지표가 필요하지만 당신은 또한해야합니다 정시에 종료하고 여기에 조건부로 두 개의 동일한 전략이 있지만 하나는 고정된 Take-Kom이 있고 다른 하나는 없는 경우 시간상 높은 상관관계를 나타내지만 재무 결과는 다릅니다. 두 가지 유사한 전략이 유용할 수 있습니다. 예를 들어, 하나는 플랫에서 수익을 낼 것이고 다른 하나는 추세에서 큰 수익을 낼 것이며 함께 균형 곡선을 매끄럽게 만들 것입니다.
분리 결과도 흥미롭다. 그리고 AlgLib은 숲을 위한 나무를 만들 때 예측자를 동일한 부분으로 나누는 것은 무엇입니까?
Alglib은 중앙값을 따라 들어오는 조각을 나눕니다(수정 - 중앙이 아니라 중앙값을 따라). 저것들. 100개의 예가 있는 경우 값을 정렬하고 50번째 예의 값으로 나눕니다. 코드에 분위수별 변형이 포함되어 있지만 사용되지는 않습니다.
나는 XGBoost 에 대해 임의 분할의 변형이 있다는 것을 기억했습니다. 캣부스트에서도요.
일반적으로 그런 얕은 나무가 추천되는 것은 이상합니다. 내가 이미 썼듯이 이러한 얕은 트리에서는 섹터가 선택되지 않을 것입니다(예: 값의 20~30%). 기껏해야 Busts에서 중앙값 또는 임의의 값으로 1 또는 2번 나눕니다. 깊이가 100이면 예측자에 따라 20-30% 섹터에 도달할 수 있습니다.
나는 부스트에서 이것이 메인 트리에서 사용되지 않은 다른 예측자들이 사용할 수 있는 많은 정제 트리에 의해 보상된다고 가정하지만, 그것들도 1-2배만 나누어질 것입니다.
Alglib은 중앙값을 따라 들어오는 조각을 나눕니다. 저것들. 100개의 예가 있는 경우 값을 정렬하고 50번째 예의 값으로 나눕니다. 코드에 분위수별 변형이 포함되어 있지만 사용되지는 않습니다.
나는 XGBoost에 대해 임의 분할의 변형이 있다는 것을 기억했습니다. 캣부스트에서도요.
일반적으로 그런 얕은 나무가 추천되는 것은 이상합니다. 내가 이미 썼듯이 이러한 얕은 트리에서는 섹터가 선택되지 않을 것입니다(예: 값의 20~30%). 기껏해야 Busts에서 중앙값 또는 임의의 값으로 1 또는 2번 나눕니다. 깊이가 100이면 예측자에 따라 20-30% 섹터에 도달할 수 있습니다.
나는 부스트에서 이것이 메인 트리에서 사용되지 않은 다른 예측자를 사용할 수 있는 많은 정제 트리에 의해 보상된다고 가정합니다.
현실은 우리가 상상하는 것과 다를 수 있습니다. CatBoost 에서 분리 알고리즘을 재생산하고 실제로 어떤 일이 일어나고 얼마나 정확하게 발생하는지 확인해야 합니다.
임의성에 관해서 - 내가 올바르게 이해한다면 가장 좋은 것이 아니라 임의의 것과 같이 예측자 그리드를 분할하기 위한 섹션을 선택하기 위한 임의성이 있습니다. 그리고 스택을 범위별로 불균일하게 나누는 알고리즘이 있습니다.
클러스터링의 입력은 무엇입니까 - 샘플의 모든 예측 변수 또는 무엇입니까?
음, 예 .. 하지만 실험할 수 있습니다
나는 그 아이디어를 논리적인 결론에 이르게 할 것이다. 하나의 자산에 일련의 시스템이 있다고 가정합니다. 각 시스템은 시장에 출시될 때 고정된 볼륨의 위치를 유지하지만 방향은 바뀔 수 있습니다. 전략의 수익성과 변동성은 알려져 있습니다. 공식 (t1-t2)/sqrt(T1*T2)로 전략 간의 상관 관계를 정의해 보겠습니다. 여기서 T1과 T2는 시장에 머무는 기간이고 t1과 t2는 이러한 전략이 유지되는 기간입니다. 시장에서 동시에 그리고 각각 동등하게 그리고 반대로 지시합니다. 가격이 SB에 가깝다는 가정 하에 도출된 단순화된 공식입니다. 이제 최적의 포트폴리오를 찾기 위해 마코위츠 이론을 적용할 모든 데이터가 있습니다.
분명히, 우리는 이러한 방식으로 의미 있는 포트폴리오를 얻지 못할 것입니다(적어도 하나의 자산만 사용된다는 사실 때문에). 약간의 수정이 필요합니다.
1) 최적화 알고리즘 변경(파라미터 제한, 패널티). 전략 간의 상관관계 정의를 구체화합니다.
2) 전략 수립 시점에 이미 포트폴리오를 최적화합니다. 즉, 포트폴리오 최적의 조건을 기반으로 전략을 찾는 것입니다. 이것이 어떻게 실제적인 방식으로 공식화될 수 있는지 완전히 명확하지 않지만 접근 방식이 전반적으로 더 논리적으로 보입니다. 이미 쓴 것처럼 알고리즘 등을 다시 작성하는 등의 작업이 필요합니다. 게임이 촛불의 가치가 있다는 사실이 아니라
당신이 말하는 모든 것이 옳습니다. 그러나 나는 시장에서 보낸 시간 만 고려하지 않을 것입니다. 시장에 진입하고 머무르는 것만으로는 충분하지 않기 때문에이 기간 동안 행동의 효과에 대한 특정 지표가 필요하지만 당신은 또한해야합니다 정시에 종료하고 여기에 조건부로 두 개의 동일한 전략이 있지만 하나는 고정된 Take-Kom이 있고 다른 하나는 없는 경우 시간상 높은 상관관계를 나타내지만 재무 결과는 다릅니다. 두 가지 유사한 전략이 유용할 수 있습니다. 예를 들어, 하나는 플랫에서 수익을 낼 것이고 다른 하나는 추세에서 큰 수익을 낼 것이며 함께 균형 곡선을 매끄럽게 만들 것입니다.
전략이 많지 않다면 직접적인 열거와 공동 평가가 가능하다.
음, 예 .. 하지만 실험할 수 있습니다
그리고 임의성 없이 합리적인 계산 시간으로 수용 가능한 결과를 얻으려면 어떤 알고리즘을 선택해야 할까요? 나는 클러스터링에 그다지 강하지 않습니다.
나는 CatBoost를 공부했으므로 그것에 대해 이야기하겠습니다.
나무의 깊이는 4-6 분할을 권장합니다. 나는 일반적으로 이 깊이를 시도한다.
예측기는 선택할 수 있는 세 가지 알고리즘으로 나뉩니다. 소위 그리드가 생성됩니다.
분리 결과도 흥미롭다. 그리고 AlgLib은 숲을 위한 나무를 만들 때 예측자를 동일한 부분으로 나누는 것은 무엇입니까?
Alglib은 중앙값을 따라 들어오는 조각을 나눕니다(수정 - 중앙이 아니라 중앙값을 따라). 저것들. 100개의 예가 있는 경우 값을 정렬하고 50번째 예의 값으로 나눕니다. 코드에 분위수별 변형이 포함되어 있지만 사용되지는 않습니다.
나는 XGBoost 에 대해 임의 분할의 변형이 있다는 것을 기억했습니다. 캣부스트에서도요.
일반적으로 그런 얕은 나무가 추천되는 것은 이상합니다.
내가 이미 썼듯이 이러한 얕은 트리에서는 섹터가 선택되지 않을 것입니다(예: 값의 20~30%). 기껏해야 Busts에서 중앙값 또는 임의의 값으로 1 또는 2번 나눕니다.
깊이가 100이면 예측자에 따라 20-30% 섹터에 도달할 수 있습니다.
나는 부스트에서 이것이 메인 트리에서 사용되지 않은 다른 예측자들이 사용할 수 있는 많은 정제 트리에 의해 보상된다고 가정하지만, 그것들도 1-2배만 나누어질 것입니다.
그리고 임의성 없이 합리적인 계산 시간으로 수용 가능한 결과를 얻으려면 어떤 알고리즘을 선택해야 할까요? 나는 클러스터링에 그다지 강하지 않습니다.
예, 모든 예고편(knn, som, dtwclust...)을 사용할 수 있습니다. 최상의 옵션은 물론 실험을 통해 표시됩니다...
저를 오해하지 마십시오. 제가 쓴 것을 사용하는 것이 아닙니다. 단지 귀하의 아이디어를 읽고 구현의 다른 측면에서 조금 보았을 뿐입니다. 글쎄요, 제가 말한 ... 어떤 결과도 보장하지
Alglib은 중앙값을 따라 들어오는 조각을 나눕니다. 저것들. 100개의 예가 있는 경우 값을 정렬하고 50번째 예의 값으로 나눕니다. 코드에 분위수별 변형이 포함되어 있지만 사용되지는 않습니다.
나는 XGBoost에 대해 임의 분할의 변형이 있다는 것을 기억했습니다. 캣부스트에서도요.
일반적으로 그런 얕은 나무가 추천되는 것은 이상합니다.
내가 이미 썼듯이 이러한 얕은 트리에서는 섹터가 선택되지 않을 것입니다(예: 값의 20~30%). 기껏해야 Busts에서 중앙값 또는 임의의 값으로 1 또는 2번 나눕니다.
깊이가 100이면 예측자에 따라 20-30% 섹터에 도달할 수 있습니다.
나는 부스트에서 이것이 메인 트리에서 사용되지 않은 다른 예측자를 사용할 수 있는 많은 정제 트리에 의해 보상된다고 가정합니다.
현실은 우리가 상상하는 것과 다를 수 있습니다. CatBoost 에서 분리 알고리즘을 재생산하고 실제로 어떤 일이 일어나고 얼마나 정확하게 발생하는지 확인해야 합니다.
임의성에 관해서 - 내가 올바르게 이해한다면 가장 좋은 것이 아니라 임의의 것과 같이 예측자 그리드를 분할하기 위한 섹션을 선택하기 위한 임의성이 있습니다. 그리고 스택을 범위별로 불균일하게 나누는 알고리즘이 있습니다.
예, 모든 예고편(knn, som, dtwclust...)을 사용할 수 있습니다. 최상의 옵션은 물론 실험을 통해 표시됩니다...
저를 오해하지 마십시오. 제가 쓴 것을 사용하는 것이 아닙니다. 단지 귀하의 아이디어를 읽고 구현의 다른 측면에서 조금 보았을 뿐입니다. 글쎄요, 제가 말한 ... 어떤 결과도 보장하지
보장에 대해 이야기하고 있습니까? 귀하의 아이디어를 이해하는 것이 흥미로울 뿐입니다.
Neuro 지표가 거의 준비되었습니다)) 이것은 전적으로 자격이 없는 지표인 Expert Advisor입니다.
시원한? ))
상단의 주황색 영역은 하향 이동을 예측하고 하단의 녹색 영역은 상향 이동을 예측하며 두께는 신경망의 신뢰도입니다. BTCUSD M1에서만 작동합니다(현재로서는...).
시원한? ))
좋다고는 하지만 답답하다.
실제로 과매수/과매도 영역에서 일반 지표처럼 작동합니다.
어떨 땐 그런 것 같기도 하고 어떨 땐 아닌 것 같기도 하고..
거래를 위해 이 네트워크를 테스트해 보셨습니까? 내 경험에 따르면 작동하지 않을 것입니다.
네트워크의 "신뢰"에 필터를 적용할 수 있습니까?