Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 880
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
NS verarbeitet in der Regel die Daten aus den ersten Zeilen - d.h. alte Daten in den ersten Zeilen und frische Daten am Ende, so dass die letzten Lernschritte darauf ausgeführt werden.
Ich danke Ihnen.
Alle Prädiktoren funktionieren bei der Balkeneröffnung - ich weiß jetzt nicht einmal, wie ich diejenigen identifizieren soll, die herausschauen - nach der Vorstellung sollte ihre Signifikanz hoch sein?
Nun, wenn alle zum offenen Preis sind - dann sollten sie nicht gucken, wenn andere Optionen - dann gucken sie.
Nun, wenn alles zum offenen Preis ist - dann sollte es nicht auffallen, wenn andere Optionen - dann schon.
Kannst du meinen Datensatz mit einem neuronalen Netz testen, ich kann es noch nicht herausfinden? Das in diesem Programm eingebaute Programm will nicht mehr als 56% lernen - vielleicht mache ich etwas falsch oder das Netzwerk ist nicht geeignet....
Kannst du meinen Datensatz mit einem neuronalen Netz testen, ich kann es noch nicht herausfinden? Eingebaut, dass das Programm nicht mehr als 56% lernen will - vielleicht mache ich etwas falsch, oder das Netzwerk ist nicht geeignet....
Nach dem Bild zu urteilen, haben Sie einen Fehler von etwa 8% (Genauigkeit 92%), nicht 56%.
Sie haben eine Regression in Ihrer Datei, und Ihrer Beschreibung nach zu urteilen, testen Sie die Klassifizierung. Wahrscheinlich brauchen Sie eine Datei mit einer Klassifizierung.
Nach dem Bild zu urteilen, haben Sie einen Fehler von etwa 8% (Genauigkeit 92%), nicht 56%.
Ja, diese Datei ist falsch, ich habe bereits Prädiktoren hinzugefügt und die Zielklassifizierung nach einer einfachen Regel vorgenommen - wenn mehr oder gleich 50 Punkte, dann 1 (für Kauf) und -1 (für Verkauf), sonst 0, und die Spalten für Kauf und Verkauf sind unabhängig.
Die 56% sind ein Neuron und die Screenshots sind vom Baum.Ja, diese Datei ist falsch, ich habe bereits Prädiktoren hinzugefügt und eine Klassifizierung des Ziels durch eine einfache Regel vorgenommen - wenn es mehr oder gleich 50 Punkte ist, dann 1 (für den Kauf) und -1 (für den Verkauf), sonst 0, und die Spalten für den Kauf und für den Verkauf sind unabhängig.
Etwa 56 % - es handelt sich also um ein Neuron, und Screenshots vom Baum.Wenn der Baum besser funktioniert, sollten Sie ihn verwenden. Der NS ist schwieriger einzurichten.
Bisher funktioniert nur die Logik (oder teste ich vielleicht falsch?), aber ich weiß nicht, wie ich sie anwenden soll.
Wenn jemand helfen möchte, die Arbeit der Prädiktoren zu testen, gibt es zwei Dateien im Anhang - für Kauf und Verkauf ist Spalte 3 das Ziel, 1 und 2 benutze ich nicht, und der Rest sind Prädiktoren.
alglib hat kfold, hat jemand herausgefunden, wie man mit ihm arbeiten? Dokumentation ist fast Null :)
Ah, ich verstehe, diese Methoden lernen automatisch durch Kreuzvalidierung
Aha. Die Werkzeuge wurden zur Verfügung gestellt, aber es gibt keine Anleitung. Es wäre schön, wenn es für jede Funktion eine Hilfe gäbe, wie man sie benutzt und mit Beispielen.
Bisher funktioniert nur die Logik (oder teste ich vielleicht falsch?), aber ich weiß nicht, wie ich sie anwenden soll.
Wenn jemand helfen möchte, die Leistung der Prädiktoren zu testen, gibt es zwei Dateien im Anhang - für Kauf und Verkauf ist Spalte 3 das Ziel, 1 und 2 verwende ich nicht, und der Rest sind Prädiktoren.
Ich habe die 1. Datei ausprobiert und sie in 3 Teile aufgeteilt:
Lernen
Vorhersage
Tatsächlich 0 1
0 28107 1244
1 3045 4119
Prüfung 1
Vorhersage
Tatsächlich 0 1
0 5950 356
1 742 776
Aktuell 2
Vorhersage
Tatsächlich 0 1
0 5945 333
1 779 769
Berechnet auf nnet mit 10 Neuronen in einer versteckten Schicht (NS des Rattle-Pakets von R)
Schlimmer als Ihr Wald, aber nicht schlecht. Die zweite Datei wird wahrscheinlich die gleichen Ergebnisse liefern.