Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 610
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
In der Funktion darch() ist der Parameter seed = NULL voreingestellt. Setzen Sie ihn auf einen Zustand, z. B. seed = 12345.
Dies ist ein kleiner learnRate-Wert. Beginnen Sie mit learnRate = 0,7, numEpochs = 10 für RBM und NN. Dies sind jedoch die Höchstwerte. Sie müssen für einen bestimmten Datensatz optimiert werden.
Viel Glück!
Und wenn man ein Ensemble bilden will, dann ist set.seed() besser zu entfernen, oder? Damit die Raster unterschiedlich sind. Oder set.seed(N mesh) - für die Reproduzierbarkeit des gesamten Ensembles.
Ja, das ist richtig. Ein Ensemble solch komplexer Modelle (ich meine Darch) kann nicht mehr als 3-5 Stücke enthalten. Und sie müssen sehr unterschiedlich sein. D.h. sie müssen unterschiedliche Parameterwerte haben (Anzahl der Schichten, Neuronen, Aktivierungsfunktionen usw.), oder (viele andere Varianten, die ich jetzt nicht beschreiben werde). Eine Ensemble-Variante der gleichen Struktur, die mit einer anderen Initialisierung trainiert wurde, ist zwar möglich, aber schwach. Zumindest sollte die Art der Initialisierung anders gestaltet werden.
Viel Glück!
Ja, das ist richtig. Ein Ensemble solch komplexer Modelle (ich meine Darch) kann nicht mehr als 3-5 Stücke enthalten. Und sie müssen sehr unterschiedlich sein. D.h. sie müssen unterschiedliche Parameterwerte haben (Anzahl der Schichten, Neuronen, Aktivierungsfunktionen usw.), oder (viele andere Varianten, die ich jetzt nicht beschreiben werde). Eine Ensemble-Variante der gleichen Struktur, die mit einer anderen Initialisierung trainiert wurde, ist zwar möglich, aber schwach. Zumindest sollte die Art der Initialisierung anders gestaltet werden.
Viel Glück!
Wenn Sie einen Prozessor auf eine Reihe von Trainings mit ein und denselben Daten ansetzen, um die beste Struktur zu definieren, sollten Sie die Ergebnisse besser in einem Ensemble zusammenfassen. Wenn Sie die einfachste Option verwenden möchten - Mesh mit einem Neuronenintervall von 5 oder Prozent (mit diesem Intervall werden die Modelle sehr gut sein), dann nehmen Sie die 3-5 oder 10 besten Ergebnisse und verwenden Sie sie für die Mittelwertbildung. Modelle werden ohnehin gebaut und berechnet, warum sollten wir also unsere Bemühungen vergeuden? ))
Wenn wir die CPU durch viele Trainings mit denselben Daten laufen lassen müssen, um die beste Struktur zu ermitteln, ist es besser, die Ergebnisse in einem Ensemble zusammenzufassen. Nehmen wir die einfachste Option an - ein Gitter mit einem Neuronenabstand von 5 oder einem Prozentsatz (mit einem solchen Abstand werden auch die Modelle sehr unterschiedlich sein), dann nehmen wir die 3-5 oder 10 besten Ergebnisse und verwenden sie für die Mittelwertbildung. Modelle werden ohnehin gebaut und berechnet, warum sollten wir also unsere Bemühungen vergeuden? ))
Wie kommen Sie generell mit diesen Modellen zurecht? Lohnt es sich überhaupt, einzusteigen? :) die Diskussion wird geführt, aber niemand spricht über die Ergebnisse
Vielleicht einige Bänke im Vergleich zu Perseptrone oder gbm. Für den Devisenhandel, natürlich.
:) weil es eine Diskussion gibt, aber niemand die Ergebnisse bekannt gibt.
Wie kommen Sie generell mit diesen Modellen zurecht? Lohnt es sich überhaupt, einzusteigen? :) die Diskussion ist im Gange, aber niemand äußert sich zu den Ergebnissen
Ich habe, wie die meisten Menschen, einen Fehler am Rande von 50 %. Aber immerhin zählt es zehnmal schneller als Alglib. Wenn es hier 40-100 Minuten dauert, das Modell zu berechnen, habe ich bei Alglib mehr als vierundzwanzig Stunden auf die gleiche Struktur gewartet, habe nicht gewartet und die Berechnung deaktiviert.
Aber wenn ich jetzt Modelle im Kreislauf abholen muss, wird es wieder viel Zeit kosten.... Außerdem muss ich die ganze Sache programmieren.
Im Allgemeinen ist dies eine lange Zeit, da Sie sich keine zeitlichen Grenzen für die MO setzen.
Interessant - das verstehe ich)
Wenn Sie eine Gewinntabelle als Ergebnis betrachten, wird es keine Ergebnisse geben. Und die meisten Leute, auch in diesem Thread, brauchen nichts anderes als die Gewinntabelle. Der einzige Beweis ist, dass wir die anderen einfach nicht verstehen.
Es ist ja nicht so, dass Sie im Hinterland tätig waren.
Auf der Testseite liegt der Fehler wie bei den meisten anderen an der Grenze von 50 %. Aber zumindest zählt es dutzende Male schneller als Alglib. Wenn hier für 40-100 Minuten, um das Modell zu berechnen, die Alglib-e mehr als einen Tag warten für die gleiche Struktur, nicht warten und deaktiviert die Berechnung.
Aber wenn ich jetzt Modelle im Kreislauf abholen muss, wird es wieder viel Zeit kosten.... Sie müssen das Ganze auch programmieren.
Ich meine, die Auswahl der Eigenschaften ist immer noch das Hauptproblem :) aber zumindest ist es schneller zu lernen, das ist gut
d.h. die Auswahl der Attribute ist immer noch das Hauptproblem :)
und die Merkmale und die Struktur des Modells erweisen sich als zu
1. Von welcher Optimierung sprechen Sie? Welches Plateau? Welches Modell? Wenn es sich um ein neuronales Netz handelt, wäre es seltsam, das DNN nicht zu trainieren (Parameter zu optimieren), bevor man es einsetzt.
2. Welche Modellparameter(?) sollten stabil sein?
Ich verstehe Ihre Gedanken nicht.
Ich sprach von der Optimierung der Hyperparameter des DNN, die unbedingt und nicht im Tester durchgeführt werden muss.
Was soll das heißen?
Die Wirksamkeit des Modells alsOptimierungskriterium für alles andere.
Welche Art von Plateau?
Das Plateau der Effizienz.
Welches Modell?
Beliebiges Modell.
Wenn es sich um ein neuronales Netz handelt, wäre es seltsam, das DNN nicht zu trainieren (Parameter zu optimieren), bevor man es einsetzt.
Und das ist die Hauptfrage, die ich Ihnen einmal gestellt habe: Wie hängen die Ergebnisse des Trainings (Parameteroptimierung) von der Nicht-Stationarität der Eingabeprädiktoren ab? Ihre Antwort lautete: Nein, das stimmt nicht. Das ist mir nicht klar, da die NS ständig neu trainiert werden müssen, also auf Nicht-Stationarität reagieren, so dass die Parameter des Modells Zufallsvariablen sind, so dass es ein Problem der Stationarität der Parameter gibt. Dies ist also das vollständige Bild von allem, was in GARCH diskutiert wird, aber aus irgendeinem Grund nicht in der Klassifizierung diskutiert wird.