Bibliotheken: RL algorithms

Neuer Kommentar
 

RL algorithms:

Bibliotheken auf Basis des Artikels "Random Decision Forest und Reinforcement-Learning"Random Decision Forest und Reinforcement-Learning

RL algorithms

Autor: Maxim Dmitrievsky

 
Je größer die Datei mit den Trainingsergebnissen ist, desto größer ist wahrscheinlich die Wahrscheinlichkeit einer Übereinstimmung.
 
fxsaber:
Je größer die Datei mit den Trainingsergebnissen ist, desto höher ist wahrscheinlich die Wahrscheinlichkeit der Anpassung.

Wenn die Stichprobe nicht repräsentativ ist, was im Forex-Bereich immer der Fall ist, dann ja. Sie kann durch eine geringfügige Verringerung der Regularisierung reduziert werden.

Auch das Problem des Target-Oversamplings wurde noch nicht gelöst, was in Kombination mit dem Input-Oversampling zu interessanteren Ergebnissen führen dürfte.

 
Maxim Dmitrievsky:

Wenn die Stichprobe nicht repräsentativ ist, was im Forex-Bereich immer der Fall ist, dann ja. Sie können sie reduzieren, indem Sie die Regularisierung ein wenig reduzieren.

Auch das Problem der Zielsuche wurde noch nicht gelöst, was zusammen mit der Suche nach Inputs zu interessanteren Ergebnissen führen dürfte.

Je näher die Größe der Lernergebnisdatei an der Größe der Kurshistorie liegt, desto weniger müssen Sie im Modell tun.

Wenn zum Beispiel die Lerndatei gleich groß ist wie die OHLC-Datei, ist das Modell die Historie selbst. D.h. es ist gut, wenn die Lerndatei (der verwendete Teil davon) um Größenordnungen kleiner ist als die Größe der Historie.

 
fxsaber:

Je näher die Größe der Datei mit den Trainingsergebnissen an der Größe des Preisverlaufs liegt, desto weniger müssen Sie im Modell tun.

Wenn zum Beispiel die Lerndatei gleich groß ist wie die OHLC-Datei, ist das Modell die Historie selbst. D.h. es ist gut, wenn die Lerndatei (der verwendete Teil davon) um Größenordnungen kleiner ist als die Größe der Historie.

Auf diese Weise bleibt Random Forest erhalten, immer große Dateien, man kann sie nicht verkleinern. Sie können linear verwenden, dann wird die Datei nur Regressionskoeffizienten enthalten, und die Umschulung wird weniger sein.

Ursprünglich war ich nur an der Verwendung von RF interessiert. Aber es neigt zu sehr zum Übertraining unter allen Umständen.

 
Maxim Dmitrievsky:

Auf diese Weise wird Random Forest gespeichert, immer große Dateien, sie können nicht reduziert werden. Sie können lineare verwenden, dann werden nur Regressionskoeffizienten in der Datei sein, und Umschulung wird weniger sein.

Ursprünglich war ich nur an der Verwendung von RF interessiert. Aber etwas, das unter allen Umständen zu viel retrainieren möchte.

Der Punkt ist, dass es gut wäre, nur die Informationen zu speichern, die bei learn=false verwendet werden. Wenn es viel davon gibt, ist die Arbeit fast umsonst.

Eine Analogie ist das Speichern von BestInterval-Daten. Wenn es nur wenige sind, kann man sie immer noch ohne irgendwelche Tricks betrachten. Aber wenn es viele sind - nur für Bilder.

 
fxsaber:

Der Punkt ist, dass es gut wäre, nur die bei learn=false verwendeten Informationen zu speichern. Wenn es sehr viele davon gibt, ist die Arbeit fast umsonst.

Eine Analogie ist das Speichern von BestInterval-Daten. Wenn es nur wenige sind, kann man sie immer noch ohne irgendwelche Tricks ansehen. Aber wenn es sehr viele sind, ist es nur für Bilder.

Nun ja, vor allem, wenn es mehr erklärende Informationen gibt als erklärbare - das ist ein Witz :)

Ich werde später noch andere Varianten der Lib anbieten

 

Ich testete es, mein Eindruck ist zweideutig, ich testete es auf einem benutzerdefinierten Chart von der Weierstraß-Funktion mit der Formel generiert.

Theoretisch sollte RandomForest auf diesem benutzerdefinierten Chart Einstiegspunkte gefunden haben, die sehr nahe am ZigZag liegen, oder zumindest keine Verlustaufträge haben, auf TF H1 ist die Periodizität klar nachvollziehbar, aber RF hat dieses Muster irgendwie gefunden, aber Verlustaufträge sind auch vorhanden

getestet früher in MT4 auf die gleichen Daten der alten GoldWarrior Expert Advisor (gefunden auf dem englischen Forum) - ein Berater auf ZigZag, in der MT4-Optimierer auf allen TFs bis zu M15 deutlich findet Muster und ausschließlich in + alle Aufträge.

Ich testete einen Indikator Expert Advisor auf die Kreuzung von Regressionslinien (leider habe ich es zu bestellen, kann ich nicht den Code), und dieser Expert Advisor in der Optimierer schnell gefunden Muster auf der Weierstraß-Funktion.

Warum diese Beispiele? - Wenn primitive Methoden Regelmäßigkeiten finden können, dann ist das maschinelle Lernen erst recht verpflichtet, sie zu finden.

Bei allem Respekt vor dem Autor, aber das Ergebnis ist zweifelhaft, bzw. das Beispiel der Arbeit mit RandomForest ist hervorragend. aber es gibt noch Raum für eigene Anstrengungen ;).

ZY: trainiert von 2000.01.01 bis 2001.01.01 getestet von 2001.01.01 bis 2002.01.01

ZY: Skript für benutzerdefiniertes Diagramm beigefügt, Symbolbibliothek in KB

Dateien:
script_WeierstrassHST.mq5  8 kb
 
Igor Makanu:

SZY: Skript für benutzerdefiniertes Diagramm beigefügt, Symbolbibliothek in KB

// CustomRatesReplace(WrstName,0,LONG_MAX,rates);
      SymbDB.CloneRates(rates);
 
fxsaber:

aha, danke!

Ich verbrachte 20 Minuten mit dem Lesen Ihrer Bibliothek, aber immer noch nicht herausfinden, ich bin nicht aufmerksam heute, und der Zweck war, den Code des Autors zu testen, um zu sehen, was RandomForest sieht.

Ich habe mein Skript aktualisiert und es oben wieder angehängt

 
Igor Makanu:

Ich habe es getestet, der Eindruck ist zweideutig, ich habe es an einem benutzerdefinierten Diagramm getestet, das von der Weierstraß-Funktion unter Verwendung der Formel

Theoretisch sollte RandomForest auf diesem benutzerdefinierten Diagramm Einstiegspunkte in der Nähe des ZigZag finden, oder zumindest keine Verlustaufträge haben, auf dem H1 TF ist die Periodizität klar nachvollziehbar, aber RF hat dieses Muster irgendwie gefunden, aber Verlustaufträge sind auch vorhanden

Ich testete früher in MT4 auf den gleichen Daten die alten GoldWarrior Expert Advisor (gefunden auf dem englischen Forum) - ZigZag Expert Advisor, in MT4 Optimierer auf allen TFs bis zu M15 findet es eindeutig Regelmäßigkeiten und alle Aufträge sind ausschließlich in +.

Ich testete einen Indikator Advisor auf die Kreuzung von Regressionslinien (leider habe ich es zu bestellen, kann ich nicht den Code), und dieser Berater in der Optimierer schnell gefunden Regelmäßigkeiten auf die Weierstraß-Funktion

Warum diese Beispiele? - Wenn primitive Methoden Regelmäßigkeiten finden können, dann ist das maschinelle Lernen erst recht verpflichtet, sie zu finden.

Bei allem Respekt für den Autor, aber das ist ein fragwürdiges Ergebnis, oder besser gesagt, das Beispiel der Arbeit mit RandomForest ist ausgezeichnet. aber es gibt noch Raum für eigene Anstrengungen ;).

SZY: trainiert von 2000.01.01 bis 2001.01.01 getestet von 2001.01.01 bis 2002.01.01

ZY: Skript für benutzerdefinierten Chart beigefügt, Symbolbibliothek in KB

Nein, so funktioniert es jetzt nicht. Es wird nicht nach harmonischen Mustern gesucht. Die Ausgaben werden zufällig und sehr oft abgetastet, und dann wird versucht, die Politik so gut wie möglich zu approximieren. Um irgendwelche Muster zu approximieren, müssen die Ausgaben nach einer anderen Logik abgetastet werden, vielleicht nach demselben Zickzack.

Das alles lässt sich in Reward f-i leicht ändern. Ich habe nur im Moment nicht so viel Zeit, um Hunderte von Experimenten durchzuführen. Vielleicht können Sie das mit Hilfe des Optimierers irgendwie hinbekommen.

Auf jeden Fall müssen Sie einen Bereich von Bedingungen definieren, unter denen die beste Variante gesucht wird. Denn es gibt eine unendliche Anzahl von Varianten.

12345
Neuer Kommentar