트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 1743

[mytarmailS]

막심 드미트리예프스키 :

slozhnaya fegnya, 당신은 구체적으로 그녀에게 어떻게 접근해야 하는지 이해하지 못할 것입니다 .. 모든 것이 매우 좋습니다. 무기한

어떤 사람들이 표지판이나 무엇을 하도록 강제하다

글쎄, 거기에 무엇이 있습니까?

[Mihail Marchukajtes]

로르샤흐 :

여기 에서 발견

출처를 찾아보았지만 이 방법의 저조한 성능에 대한 명확한 결론은 어디에도 없었습니다....

[Rorschach]

마이클 마르쿠카이테스 :
출처를 찾아보았지만 이 방법의 저조한 성능에 대한 명확한 결론은 어디에도 없었습니다....

장점과 단점 이 있는 방법으로서의 방법.

[Maxim Dmitrievsky]

mytarmailS :

글쎄, 거기에 무엇이 있습니까?

네, 아무것도 없습니다. 다음에 무엇을 해야 할지 생각하기 전까지는요. 이 주제에 대한 기사와 코드가 있지만 심각한 결과는 없습니다.

[Maxim Dmitrievsky]

Oleg와 Miklukha 금지?))

[Vladimir Perervenko]

R에서 매우 흥미로운 TSrepr (Time Series Representations) 패키지를 확인하십시오.

"시계열 표현 방법은 4가지 그룹(유형)으로 나눌 수 있습니다(Ratanamahatana et al.(2005)).

• 비데이터 적응형
• 데이터 적응형
• 모델 기반
• 지시된 데이터(잘린 데이터).

비데이터 적응 표현에서 변환 매개변수는 특성에 관계없이 모든 시계열에 대해 동일하게 유지됩니다. 데이터 적응 표현에서 변환 매개변수는 사용 가능한 데이터에 따라 다릅니다. 모델 기반 표현에 대한 접근 방식은 관측된 시계열이 기본 모델을 기반으로 생성되었다는 가정에 의존합니다. 목표는 그러한 모델의 매개변수를 표현으로 찾는 것입니다. 두 시계열은 기본 모델의 동일한 매개변수 집합으로 생성된 경우 유사한 것으로 간주됩니다. 데이터 지시 접근 방식에서 압축 비율은 클리핑과 같은 원시 시계열을 기반으로 자동으로 정의됩니다(Aghabozorgi, Seyed Shirkhorshidi 및 Ying Wah(2015)).

비데이터 적응형 표현에 대한 가장 유명한(잘 알려진) 방법은 PAA(Piecewise Aggregate Approximation), DWT(Discrete Wavelet Transform), DFT(Discrete Fourier Transform), DCT(Discrete Cosine Transform) 또는 PIP(Perceptually Important Points)입니다. 데이터 적응형 표현의 경우 SAX(Symbolic Aggregate Approximation), PLA(Piecewise Linear Approximation) 및 SVD(Singular Value Decomposition)가 있습니다. 모델 기반 표현의 경우 ARMA, 평균 프로필 또는 통계 모델(예: 선형 모델)의 추정 회귀 계수입니다. 지시된 데이터는 덜 알려진 유형의 표현이며 이 유형의 가장 유명한 방법은 클리핑(비트 수준 표현)입니다(Bagall et al.(2006)).

TSrepr 패키지에서 다음 시계열 표현 방법이 구현됩니다(함수 이름은 대괄호 안에 있음).

비데이터 적응형:

1. PAA - 조각별 집계 근사(repr_paa)
2. DWT - 이산 웨이블릿 변환(repr_dwt)
3. DFT - 이산 푸리에 변환(repr_dft)
4. DCT - 이산 코사인 변환(repr_dct)
5. SMA - 단순 이동 평균(repr_sma)
6. PIP - 지각적으로 중요한 포인트(repr_pip)

적응형 데이터:

1. SAX - 기호 집계 근사(repr_sax)
2. PLA - 조각별 선형 근사(repr_pla)

모델 기반:

1. 평균 계절 프로필 - 평균 계절 프로필, 중간 계절 프로필 등 (repr_seas_profile)
2. 선형(가산) 모델(LM, RLM, L1, GAM)에 기반한 모델 기반 계절 표현(repr_lm, repr_gam)
3. 지수 평활 계절 계수(repr_exp)

지시된 데이터:

1. FeaClip - 클리핑된 표현에서 피쳐 추출(repr_feaclip, 클리핑)
2. FeaTrend - 추세 표현에서 특징 추출(repr_feattrend, trending)
3. FeaClipTrend - 클리핑 및 추세 표현(repr_feacliptrend)에서 피쳐 추출""

클러스터링을 포함하여 매우 흥미로운 변환을 제공합니다.

행운을 빕니다

[mytarmailS]

블라디미르 페레르벤코 :

R에서 매우 흥미로운 TSrepr (Time Series Representations) 패키지를 확인하십시오.

한 번 이 패키지를 보여드린 적이 있습니다. 제가 MT4용 스크립트를 만들라고 요청했을 때 nnfor 패키지의 뉴런이 그곳에서 훈련되었고 대상은 TSrepr의 PIP - Perceptually Important Points(repr_pip) 였습니다 :)

블라디미르! 몇 가지 질문이 있습니다.

1) 지그재그 방향의 분류에서 달성할 수 있는 최대 오류는 얼마입니까? 예를 들어 유로달러 시간당 시계로 가정해 봅시다. 그리고 동시에 노이즈 필터를 사용 했 습니까?

2) 교육의 질이 기사에서 설명한 예측 변수의 "샘플링"을 악화합니까?

3) 어떤 종류의 메타 학습을 시도하고 싶습니다. 가장 낮은 수준에서 아이디어의 요지는 다음과 같습니다.

p1. 데이터로 숲을 훈련시키자

p2. 우리는 숲이 생성한 모든 규칙을 꺼내 새로운 예측자로 제시합니다. 각 규칙은 예측자이며 500-1000개의 규칙이 있을 것입니다. 예측자는 "희소한" 것으로 판명되었지만 어떻게 해야 합니까(

p.3 우리는 예측 변수의 규칙에 대해 새로운 모델을 훈련합니다 ...

아이디어는

1) 예측 변수의 수를 늘립니다.

2) 더 복잡하고 깊은 규칙을 얻으면 해당 규칙이 계층적으로 더 복잡해집니다.

3) Forest는 모든 규칙(트리)의 예측 합계로 예측을 제공합니다. 규칙의 합계가 아니라 규칙을 별도로 고려하면 클래스 레이블을 더 잘 분리할 수 있고 가능합니다. 규칙 등의 고유한 조합을 찾기 위해

그리고 질문은: 제가 방금 쓴 것이 일반적인 그래디언트 부스팅이 아닙니까?

4) 또한 satl , fatl 등을 사용하는 스펙트럼 표시기를 얻을 수 있는 위치

[Rorschach]

로르샤흐 :

여기 에서 발견

나는 스레드를 읽고 같은 결론에 도달했습니다. 그리고 cssa의 예측은 까다로운 방식으로 이루어지며 점차 한 단계 앞서 예측합니다. 정말 효과적인가요?

fpf와 ssa 사이에 속도 비교가 있습니까? 그런 다음 복잡한 웨이블릿을 취하면 동일한 Lessage 수치가 나타납니다. 옵티마이저로 구동하는 방법이 명확하지 않을 뿐 아니라 시각적 설정에 더 적합합니다.

cssa는 인과 관계 SSA로 번역됩니다. 이 방법은 2013년 책 에 있습니다.

[Alexander_K2]

http://forex.kbpauk.ru/showflat.php?Cat=0&Board=mts&Number=25750&page=0&fpart=1

[Valeriy Yastremskiy]

막심 드미트리예프스키 :
Oleg와 Miklukha 금지?))

올렉은 금지 해제되었고 Mikloch는 어떤 이유로 ............