トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 948

新しいコメント
 
サンサニッチ・フォメンコ
一般的に、3つのクラスをターゲットにするのは、あまり良いことではありません。(-1,0)と(0.1)の2つのターゲットクラスに分け、ポジションを決定する際に組み合わせるのがベターです。

3クラスをお願いしたのは私です。数ページ前にも、ターゲットが2つだけの同様のファイルがありました。2つのターゲティングで対応できず（1つのクラスは人数が大きく偏っているので難しすぎる）、今は3つに挑戦しています。

 

学習用ファイルとしてソースファイルの10％を取りましたが、randomForestを待ちました。

その結果がこちらです。

Number of observations used to build the model: 20276
Missing value imputation is active.

Call:
 randomForest(formula = as.factor(arr_Buy) ~ .,
              data = crs$dataset[crs$sample, c(crs$input, crs$target)],
              ntree = 500, mtry = 7, importance = TRUE, replace = FALSE, na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 7

        OOB estimate of  error rate: 11.22%
Confusion matrix:
     -1    0    1 class.error
-1 5335  314   21  0.05908289
0    95 8712  480  0.06191450
1     2 1363 3954  0.25662719

Variable Importance
===================

                                 -1      0      1 MeanDecreaseAccuracy MeanDecreaseGini
arr_Sell                     223.88 208.20 164.24               216.84          3073.97
arr_DonProcVisota             25.86  57.39  53.05                57.46           203.17
Levl_Close_MN1                21.45  51.65  52.89                58.17           140.68
Levl_High_H4                  22.35  51.81  50.33                58.17           118.24
Levl_Close_W1                 20.11  48.85  49.94                52.90           145.82
arr_LastBarPeresekD_Down_M15  22.38  49.70  49.39                57.02           129.74
arr_Den_Nedeli                21.46  44.74  49.06                49.48           129.12
Levl_Low_H4                   20.55  47.30  47.49                50.63           126.02
arr_Regresor                  23.40  46.78  46.25                50.94           126.67
Levl_Close_D1                 21.03  42.44  44.51                47.91           164.55
Levl_Support_D1               22.47  47.09  44.35                51.17           153.52
Levl_Low_H1                   20.62  47.36  43.94                50.02           132.55
Levl_Support_W1               18.05  47.42  43.40                47.19           134.89
arr_DonProc_M15               23.81  50.52  42.83                52.10           184.02
arr_TimeH                     20.55  41.15  42.07                42.59           109.51
arr_LastBarPeresekD_Up_M15    22.46  43.85  41.64                47.63           134.78
arr_DonProc                   21.88  56.26  41.49                50.51           228.07
Levl_High_W1                  20.78  40.34  41.27                45.67            91.07
Levl_Low_D1                   18.87  39.05  40.81                42.30           116.54
Levl_Support_MN1              18.99  39.66  40.36                41.64           122.87
Levl_High_MN1                 17.25  36.97  39.62                40.44            88.72
Levl_first_H4                 18.77  38.39  38.71                42.28            70.63
arr_LastBarPeresekD_Down      19.31  42.64  37.27                44.06           150.78
Levl_Low_MN1                  17.96  37.24  36.40                37.83            92.71
Levl_first_H1                 14.43  35.64  34.62                37.45            78.99
Levl_High_D1                  19.35  34.28  34.48                36.43           106.69
Levl_Close_H4                 19.72  39.58  33.59                39.85           170.80
X_USE_Filter_MA_02            15.76  33.70  33.01                38.00            50.89
Levl_Support_H4               16.71  39.24  32.66                36.73           152.03
Levl_Low_W1                   16.72  34.05  32.47                33.22           111.06
Levl_High_H1                  17.58  33.14  31.93                33.90           117.74
Levl_Close_H1                 19.09  35.94  30.80                35.35           160.90
Levl_first_W1                 12.82  30.50  30.57                31.63            51.57
X_Use_Donchianf               13.69  28.78  30.46                31.47            59.44
Levl_first_MN1                13.94  27.58  30.02                29.14            59.58
arr_LastBarPeresekD_Up        15.96  31.32  28.67                30.59           142.72
Use_Filter_MA_Prirost         11.99  27.62  26.88                33.29            38.78
arr_Vektor_Don_M15            13.70  26.01  25.25                29.80            32.87
X_Use_BarPeresek_iMA_TF       11.40  18.48  25.17                25.30            20.57
Levl_first_D1                 14.97  28.47  24.99                29.17            46.49
X_Use_Filter_Fibo_in_Day      12.43  24.34  24.84                29.00            45.29
Levl_Support_H1               17.57  29.98  24.77                28.92           141.18
arr_Vektor_Week                7.99  19.81  24.10                21.56            27.30
arr_RSI_Open_H1               10.31  25.18  23.80                29.74            27.62
X_USE_Filter_MA               12.64  22.15  22.22                25.99            41.49
arr_Vektor_Don                10.20  19.81  15.88                17.82            41.06
arr_Vektor_Day                11.65  15.07  15.62                16.44            25.24
arr_BB_Center                 10.41  15.87  14.93                15.48            38.40
arr_BB_Up                      7.78  10.50  14.74                13.99            17.23
X_Use_ChanelEvaProc            4.30  13.36  12.15                17.63            67.45
arr_RSI_Open_M1                7.45  12.63  10.49                13.56            25.92
arr_BB_Down                    5.47  14.77   7.02                14.50            16.72
USE_Filter_MA_Donchian         0.72   0.10   4.71                 3.29             1.78

Time taken: 2.29 mins
 

ここに興味深いグラフがあります。


50本程度までは誤差が少なくなるが、それ以降は100本以上増やしても全く無駄であることがわかる

 

そして、検証用とテスト用のチャンクでの結果がこちらです。大型のものを、それぞれ45％ずつ持っています。

Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [validate] (counts):

      Predicted
Actual    -1     0     1 Error
    -1 24023  1523    70   6.2
    0    473 39706  1964   5.8
    1     10  5858 17615  25.0

Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [validate] (proportions):

      Predicted
Actual   -1    0    1 Error
    -1 26.3  1.7  0.1   6.2
    0   0.5 43.5  2.2   5.8
    1   0.0  6.4 19.3  25.0

Overall error: 10.9%, Averaged class error: 12.33333%


Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [test] (counts):

      Predicted
Actual    -1     0     1 Error
    -1 23847  1502    73   6.2
    0    455 39677  1984   5.8
    1      7  6024 17673  25.4

Error matrix for the Random Forest model on Pred_027_2016_H2_T.csv [test] (proportions):

      Predicted
Actual   -1    0    1 Error
    -1 26.1  1.6  0.1   6.2
    0   0.5 43.5  2.2   5.8
    1   0.0  6.6 19.4  25.4

Overall error: 11%, Averaged class error: 12.46667%
 

何もなければ、とてもまともです。

M1のTCははっきりしない：スプレッドの範囲内で予測する。

 
サンサニッチ・フォメンコ

学習ファイルは元ファイルの10％を取りましたが、randomForestを待ちました。

以下はその結果である。

ありがとうございます。結果から見ると、調子は悪くないようですね？

しかし、予測変数の重要度表から判断して、arr_Sellが予測変数として使われていたようですね？もしそうなら、それは正しくない。

サンサンフォーメンコ。

ここに興味深いグラフがあります。


50本程度までは誤差が少なくなるが、それ以降は100本以上増やしても全く意味がないことがわかる。

だから、予測変数が多ければ多いほど、解決策も多くなる、という論理になるはずなのですが、私の勘違いでしょうか？

 
サンサニッチ・フォメンコ

何もなければ、とてもまともです。

M1のTSが理解できない：スプレッドの範囲内で予測する。

これはトレンド戦略であり、SiのMOEXで動作します、つまり、そこではスプレッドは重要ではありません。

 

最終的な判断を下すためには

  • 非常に特殊な入力ファイル条件下で予測器の予測力をテストする。
  • 入力ファイルを物理的に2つに分割し、片方で私がやったことを行い、もう片方で完成したforestを実行します。エラーが一致すれば、ミリオネアかビリオネア！？

 
アレクセイ・ヴャジミキン

トレンド戦略があり、それはSiのMOEX取引所で機能し、すなわちそこではスプレッドは重要ではありません。

他に分類上の傾向は？予測誤差はトレンドを引き裂き、トレンドは何も残らなくなる。

 
アレクセイ・ヴャジミキン


しかし、arr_Sellは予測変数の重要度表から判断すると、予測変数として使われていたようですね？もしそうなら、それは正しくない。


当たり前だろ、いい加減にしろ!

どのようなものですか？

再計算してみる。

1...941942943944945946947948949950951952953954955...3399
新しいコメント
理由: