Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 510
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Habe den Code aus dem Artikel ausgeführt, alles hat auf Anhieb funktioniert.
Die Version von R ist 3.4.2, aber ich glaube nicht, dass das viel ausmacht.
Ich habe R geöffnet... das muss der Fehler sein.
Nur einige Leute hier klassifizieren die Preise. Es ist für sie.
Die Art der Einstufung wird von der Lehrkraft festgelegt, auf die man sehr gut achten muss.
Wenn der Guru ein Trend ist (Trendmuster), sollte es (ungefähr) zu gleichen Teilen aufwärts und abwärts gehen. Aber es ist nicht klar, wo die Seitwärtsbewegungen sind... Und wenn es Seitwärtsbewegungen gibt, ist nicht klar: was ist oben und was ist unten. Es gibt einen Stillstand bei den Trends.
Am erfolgversprechendsten ist daher, und darum geht es hier, die Vorhersage von Preissteigerungen. Aber für sie und den Lehrer ist das anders, nicht dasselbe wie für Trends.
Übrigens: Niemand stuft hier die Preise ein.
Wenn Sie sich fürZeitreihenprognosen interessieren, sollten Sie die Artikel lesen.
Ihr Link enthält nur stationäre Zeitreihen? Nach der exponentiellen Glättung zu urteilen, ja. Auf den Finanzmärkten gibt es keine stationären Zeitreihen.
Der Artikel, auf den Sie sich beziehen, hat nichts mit Prognosen zu tun - es handelt sich um eine Extrapolation der Kurve in analytischer Form. Was ist, wenn es eine Lücke gibt? Was ist, wenn es einen Draghi oder so etwas gibt?
Auto-Sampling-Perioden von 3 verschiedenen Attributen nach dem niedrigsten RMSE zeigt sich, dass die Bedeutung der Attribute auf dem Markt im Laufe der Zeit erheblich schwankt, sowohl in absoluten Werten als auch relativ zu anderen Attributen. Gelegentlich gibt es stabile Perioden, in denen die gleichen Perioden der Attribute gehalten werden oder leicht variieren, aber im Allgemeinen ist die Variabilität groß. Dies ist nur ein kleiner Ausschnitt. Alle Prädiktoren haben eine stationäre Form.
Das heißt, um es in dümmlichen statistischen Begriffen auszudrücken, die Nullhypothese eines konstanten Marktmusters wird nicht bestätigt
Schlussfolgerung: Wir sollten mindestens 2 Modelle erstellen: Eines wählt informative Attribute in Echtzeit aus, das andere lernt und trainiert sie neu. Dies setzt ein System voraus, in dem sich die Veränderung der Vorzeichen auswirkt, d.h. wir müssen das Ganze als Gesamtsystem betrachten.
Schlussfolgerung: Wir müssen mindestens zwei Modelle erstellen: Eines wählt informative Merkmale in Echtzeit aus, das andere lernt und trainiert sie.
Für mich ist das nicht die richtige Schlussfolgerung, denn das Modell wird immer einen Schritt hinterherhinken, immer einen Schritt veraltet sein in Bezug auf die bestehenden Markteigenschaften... Der gleiche gleitende verzögerte Durchschnitt...
Um ein Klassifizierungsmodell zu trainieren, sollte die Anzahl der Klassen so ausgeglichen werden, dass die Anzahl der Trainingsbeispiele mit der Klasse "1" mit der Anzahl der Trainingsbeispiele mit der Klasse "2" übereinstimmt (und unnötige Beispiele entfernt werden).
Ich sehe ähnliche Anforderungen für Regressionsmodelle, aber es ist komplizierter - die Anzahl der Beispiele mit Level "0.001" sollte gleich der Anzahl der Trainingsbeispiele mit Level "-0.001" sein,
die Anzahl der Beispiele mit der Zielvorgabe 0,002 sollte der Anzahl der Beispiele mit der Zielvorgabe -0,002 entsprechen usw.
Hier ist ein Skript, das diesen Ausgleich herstellt
Soweit es mich betrifft, ist die Schlussfolgerung falsch, da das Modell immer einen Schritt hinterherhinken wird, immer einen Schritt veraltet in Bezug auf die aktuellen Marktcharakteristika... Das gleiche gleitende Hinterherhinken des miserablen Durchschnitts...
Ja, aber nein... d.h. besser als ohne sie
Was bedeutet das im Wesentlichen?
Wenn der Dollar mehrere Monate hintereinander steigt (es gab einen Trend), dann zeigen wir durch Glättung der Anzahl der Trainingsbeispiele den NS so an, als ob er während dieser ganzen Zeit gleich geblieben wäre. Und dementsprechend wird er es lernen, flach zu liegen. Ist das richtig? Vielleicht sollten wir es trotzdem dem Trend beibringen?
Was ist, wenn der Preis mit den neuen Daten zu fallen beginnt? Das Modell erwartet, dass sie steigen wird. In einer solchen Situation wird das Modell, das ich verwende, ein wenig langweilig und bleibt lange Zeit in den Geschäften sitzen und überschießt.
Ja, aber nein... Ich meine, es ist besser als ohne sie.
Was soll ich sagen, probieren Sie es aus, teilen Sie Ihre Erfahrungen mit, das ist es, was interessant zu lesen ist.
Ich habe versucht, das Modell bei jedem Takt neu zu trainieren...
Ja- das Modell funktioniert besser als ein statisches Modell (sobald es trainiert ist)
Nein - das Modell kann nicht in Betrieb genommen werden
p.s. Ich hoffe, Sie können es besser machenWas soll ich sagen, probieren Sie es aus, teilen Sie Ihre Erfahrungen mit, das ist es, was interessant zu lesen ist.
Ich habe versucht, das Modell bei jedem Takt neu zu trainieren...
Ja- das Modell funktioniert besser als ein statisches Modell (einmalig trainiert)
Nein - das Modell kann nicht als funktionierend bezeichnet werden
p.s. Ich hoffe, es geht Ihnen besser.Ich lasse das Modell überhaupt nicht neu trainieren und bestimmte Parameter im Optimierer anpassen, aber es gibt eine konstante Anpassung von Merkmalen durch ein anderes Modell, das immer die gleichen Ergebnisse liefert, aber aufgrund der wechselnden Perioden von Merkmalen gibt es entweder mehr oder weniger unterschiedlich ausgerichtete Signale, je nach Markt. So sind zum Beispiel kurze Zeiträume für Prädiktoren gut für einen stagnierenden Markt, aber längere Zeiträume für einen Trend. Es ist klar, dass es immer noch einen Rückstand gibt, aber die Frage ist, wie kritisch dieser ist. Da aber alles für einen bestimmten Zeitraum kumulativ optimiert wird, erhalten wir einen superadaptiven Stil.
Nun, kurz gesagt, es ist meine Fantasie, ich zeige es Ihnen, wenn ich fertig bin.)
Ich lasse das Modell überhaupt nicht neu trainieren, sondern lasse bestimmte Parameter im Optimierer anpassen, aber es gibt eine ständige Anpassung von Merkmalen durch ein anderes Modell, so dass das erste immer die gleichen Ergebnisse liefern würde, aber weil sich die Zeiträume der Merkmale ändern, erzeugt es entweder mehr oder weniger unterschiedlich gerichtete Signale, je nach Markt. Zum Beispiel sind kleine Zeiträume von Prädiktoren gut für einen flachen Markt, aber die längeren für einen Trend. Es ist klar, dass es immer noch einen Rückstand gibt, die Frage ist nur, wie kritisch dieser ist.
Nun, das sind meine Fantasien, ich werde sie dir zeigen, wenn ich sie beendet habe.)
Was meinen Sie mit "Perioden von Merkmalen/Prädiktoren"? )