Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2791

[Aleksei Kuznetsov]

mytarmailS #:

Ich halte eine Mittelwertbildung für eine schlechte Idee, eine sehr schlechte Idee...

Vor allem nicht zusammenhängende Zeilen, so sollte es eigentlich funktionieren, Berge. Zeile

Welche der 100 vorhergesagten Zeilen sollen wir verwenden? Der Durchschnitt ist die naheliegendste Lösung.

[mytarmailS]

elibrarius #:
Und für welche der 100 vorhergesagten Linien soll eine Vorhersage getroffen werden? Der Durchschnitt ist die naheliegendste Lösung.

Nun, sagen wir, 50 Prognosen nach oben, 50 nach unten, gemittelt, eine horizontale Vorhersage, und so weiter?)))

[Aleksei Kuznetsov]

mytarmailS #:
Sagen wir, 50 Vorhersagen nach oben, 50 nach unten, gemittelt, eine horizontale Vorhersage, und so weiter?)))

und das war's... Was sind Ihre Möglichkeiten?

[mytarmailS]

elibrarius #:
und das war's. Was sind Ihre Optionen?

Nun, wie die, die ich oben vorgeschlagen habe

[Aleksei Kuznetsov]

elibrarius #:
Und für welche der 100 vorhergesagten Linien soll eine Vorhersage getroffen werden?

Ich habe keinen Vorschlag gesehen)

[[Gelöscht]]

Eine Variante des "informativen" Markup, ein Stifttest:

def labeling_entropy(dataset, min_Mi = 0.1, min=15, max=15):
    labels = []
    MIs = []
    for i in range(max, dataset.shape[0]-max*2):
        rand = random.randint(min, max)
        curr_pr = dataset['close'][i]
        future_pr = dataset['close'][i + rand]
        full_pr = dataset[i-rand:i+rand]

        mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand], full_pr[full_pr.columns[0]].iloc[rand:rand*2])
        MIs.append(mi.mean())

        if future_pr + MARKUP < curr_pr and mi.mean() > min_Mi:
            labels.append(1.0)
        elif future_pr - MARKUP > curr_pr and mi.mean() > min_Mi:
            labels.append(0.0)
        else:
            labels.append(2.0)
    
    dataset = dataset.iloc[max:]
    dataset = dataset.iloc[:len(labels)].copy()
    dataset['labels'] = labels
    return dataset.dropna(), MIs

Wir nehmen einen Satz von Zeichen und markieren Etiketten wie in meinen Artikeln, aber unter Berücksichtigung der gegenseitigen Information (Regressionstyp) zwischen n-Zeichenfolgen des Zeichensatzes vor der Eröffnung eines Handels und n-Zeichenfolgen zukünftiger Preise.

Wenn die gegenseitige Information unter dem Schwellenwert liegt, markieren wir als nicht zu handeln.

dann 2 Modelle auf Signale und auf Handel/Nichthandel trainiert, beginnend im Jahr 2019

Res:

Mit diesem Ansatz wurde nicht viel gewonnen

[mytarmailS]

elibrarius #:
Habe die Anregung nicht gesehen)

Nun, lesen Sie noch einmal meinen Beitrag, das letzte Bild.

Es sagt immer noch

[[Gelöscht]]

Die logische Konsequenz war, andere Optionen auszuprobieren:

mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand], full_pr[full_pr.columns[0]].iloc[0:rand]) сравниваем фичи и цены в момент предсказания
mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[0:rand*2], full_pr[full_pr.columns[0]].iloc[0:rand*2]) сравниваем на глубину предсказания вперед + назад
mi = mutual_info_regression(full_pr[full_pr.columns[1:]].iloc[rand:rand*2], full_pr[full_pr.columns[0]].iloc[rand:rand*2]) только вперед
mi = mutual_info_regression(full_pr.iloc[0:rand], full_pr[full_pr.columns[0]].iloc[rand:rand*2])текущие цены и фичи в момент предсказания VS будущие цены

alle Optionen führen zu nichts

[Aleksei Kuznetsov]

mytarmailS #:
Nun, lesen Sie noch einmal meinen Beitrag, das letzte Bild.

Es ist immer noch geschrieben

Es waren nur 2 Varianten auf den ersten 25 Balken. Und 2 Fehler sind ein kleiner Fehler.
Und das ist nur 1 Variante des Charts von Tausenden, die Ihnen zufällig ins Auge gefallen ist. Die Situation wird bei anderen anders sein. Sie müssen sich eine Strategie zurechtlegen (die Sie nicht formuliert haben) und die Gleichgewichtslinie bei neuen Daten beobachten (Maxim brachte seine Idee zu Ende und alles wurde auf einmal klar).

[[Gelöscht]]

Ich habe das Gleiche vor mehr als einem Jahr mit Clustering gemacht, dann habe ich Durchschnittswerte wie auf den Bildern ermittelt und daraus Aufträge erteilt. Aufgeteilt in 3 Cluster oben, unten, Mittelwertumkehr. Das funktioniert super beim Training.

Das Lustige ist, dass egal welche speziellen Mittel man verwendet, man kann nichts Gutes aus dem Zufall herausholen