Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 400

[Maxim Dmitrievsky]

elibrarius:

Ich finde heraus, wie jedes Netz separat funktioniert. Und was man von ihren Ergebnissen bekommt, ist eine Frage des Geschmacks.)

Übrigens, wenn ich mir den Code Ihrer Datei ansehe, gibt es eine andere Formel, nicht wie im Artikel, nämlich n

Offenbar hat der Autor die Formel geändert.

Also vielleicht nicht 3 Eingänge (wie in der ursprünglichen Formel), aber immer noch 8... Ich verstehe noch nicht, was die neue Formel im Wesentlichen bedeutet.

Sie lesen hier den falschen Artikel :)

[Mihail Marchukajtes]

Es handelt sich um unterschiedliche Berufe. Es besteht keine Notwendigkeit, sie zu kombinieren.

in eine Variable

v0=blah blah blah blah

v1=blah blah blah blah

v2=blah blah blah blah

v3=blah blah blah blah

v4=blah blah blah blah

v5=blah blah blah blah

v6=blah blah blah blah

v7=blah blah blah blah

die Werte der Eingänge werden aufgezeichnet. dann wird das Ganze in die Funktion

double getBinaryClassificator1(double v0, double v1, double v2, double v3, double v4, double v5, double v6, double v7) {

//нормализация данных
   double x0 = 2.0 * (v0 + 1189.0) / 2047.0 - 1.0;
   double x1 = 2.0 * (v1 + 810.0) / 2247.0 - 1.0;
   double x2 = 2.0 * (v2 + 1636.0) / 2155.0 - 1.0;
   double x3 = 2.0 * (v3 + 558.0) / 1252.0 - 1.0;
   double x4 = 2.0 * (v4 + 139.0) / 494.0 - 1.0;
   double x5 = 2.0 * (v5 + 74.97643) / 144.15451 - 1.0;
   double x6 = 2.0 * (v6 + 1026.56016) / 1938.48639 - 1.0;
   double x7 = 2.0 * (v7 + 4167.0) / 7074.0 - 1.0;
   
//полином он же сеть он же ИИ он же ГУРу и т.д. Но данные уже нормализованны.


double decision = 3.162907268170426 * sigmoid(x0)
  -1.0554004772410066 * sigmoid(x1 + x2 + x3)
  + 3.8921930574940347 * sigmoid(x0 + x1 + x4)
  -1.3775531643479957 * sigmoid(x1 + x2 + x3 + x4)
  -0.44704575810784447 * sigmoid(x0 + x5)
  -0.012703915477316044 * sigmoid(x0 + x1 + x5)
  -7.231026668467576 * sigmoid(x2 + x5)
  -0.059339966683175004 * sigmoid(x2 + x4 + x5)
  -2.786314588867378 * sigmoid(x0 + x1 + x2 + x4 + x5)
  + 2.1339726561913768 * sigmoid(x0 + x1 + x6)
  -0.49562529077183975 * sigmoid(x0 + x4 + x6)
  + 5.2147434454399475 * sigmoid(x0 + x3 + x4 + x6)
  -2.890797352663095 * sigmoid(x5 + x6)
  + 0.10933021175693726 * sigmoid(x0 + x5 + x6)
  -1.6844056248405446 * sigmoid(x1 + x2 + x5 + x6)
  -0.18093137034202272 * sigmoid(x1 + x3 + x5 + x6)
  + 0.6607987033451893 * sigmoid(x1 + x7)
  -1.8854921735476415 * sigmoid(x0 + x1 + x3 + x7)
  -1.1169615655906233 * sigmoid(x2 + x5 + x7)
  -0.6844731589452674 * sigmoid(x4 + x6 + x7)
  -0.4231236774571158 * sigmoid(x1 + x2 + x3 + x4 + x6 + x7)
  + 5.763615625891075 * sigmoid(1.0 + x1 + x2 + x3 + x5)
  -0.3138985187519697 * sigmoid(1.0 + x0 + x1 + x4 + x5)
  -1.8910224663455044 * sigmoid(1.0 + x1 + x3 + x4 + x5)
  + 2.1204658352467995 * sigmoid(1.0 + x2 + x3 + x4 + x5)
  + 6.219005597826903 * sigmoid(1.0 + x2 + x3 + x4 + x6)
  -3.740916662914772 * sigmoid(1.0 + x0 + x1 + x3 + x4 + x5 + x6);
   return decision;
}

[Maxim Dmitrievsky]

Reschetow:

VS Zweiklassen-Entscheidungswald und logistische Regression:

Reshetov gewinnt diesen Wettbewerb mit einem Erdrutschsieg

[Mihail Marchukajtes]

Maxim Dmitrievsky:

Reschetow:

VS Zweiklassen-Entscheidungswald & logistische Regression

Nun, Reshetov gewinnt diesen Wettbewerb mit einem Erdrutschsieg.

Wenn Sie Datensatz Hard, dann mein Ergebnis ist 72% der Generalisierung, übrigens, nehmen Sie das Modell, das ich bereits aus der Datei HARD.mql berechnet und vergleichen Sie es. Und was bedeutet ein trockener Sieg? Ich gebe zu, es ist schwer, das Ergebnis zu interpretieren.

[Maxim Dmitrievsky]

Mihail Marchukajtes:

Wenn Sie den Datensatz Hard ausführen, dann ist mein Ergebnis 72% Generalisierung, übrigens nehmen Sie das Modell, das ich hochgeladen habe, es ist bereits aus der Datei HARD.mql berechnet und vergleichen Sie es. Und was bedeutet "trockener Sieg"? Ich gebe zu, es ist schwer, das Ergebnis zu interpretieren.

Es handelt sich um ein reduziertes Ergebnis, das ich beigefügt habe. Siehe True Positives und True Negatives, d.h. die Anzahl der erfolgreichen Vorhersagen für Kauf und Verkauf, R. hat mehr erfolgreiche Vorhersagen, 65% gegenüber 45% bei anderen Modellen. D.h. sein Modell würde Gewinn bringen und andere würden Verlust bringen.

[Dr. Trader]

elibrarius:

Ich würde das Neuron auf 10 Eingänge erweitern...
Aber wir müssen die Regeln zu 1024 hinzufügen:

r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7

.....

r1023 =

Es ist beängstigend :D

[Mihail Marchukajtes]

Dr. Trader:

Es ist beängstigend :D

Ähem, ähem.... sieht wirklich, ich würde sogar sagen erschreckend.....

[Forester]

Dr. Trader:

Es ist beängstigend :D

Ich hoffe, es wurde nicht von Hand zusammengebaut? Wurde sie in Zyklen durchgeführt? Manuell hätte das Stunden gedauert...

[Mihail Marchukajtes]

elibrarius:
Ich hoffe, das wurde nicht manuell kompiliert? War es irgendwie in Zyklen? Manuell hätte das Stunden gedauert...

Manuell kann man, glaube ich, Fehler machen...

[Maxim Dmitrievsky]

Dr. Trader:

Es ist beängstigend :D

Beängstigend und ein wenig nutzlos, weil es im Optimierer sehr lange dauern wird :) in der Cloud können Sie noch