Librerías: RL algorithms - página 4

[Maxim Dmitrievsky]

mov:

Probablemente llamando a una puerta abierta, pero como el original no tenía...

Se recomienda preprocesar antes de convertir al rango [0,1]:

1. eliminación de la periodicidad, yo lo hice en periodicityArrays() - el perfil compuesto por los días de la semana y la hora de un mes se resta del rango (aunque yo lo hice sólo para el intervalo de horas).

2.Eliminación de la tendencia lineal en linearTrendArrays() como se recomienda a[i]=a[i]-a[i+1].

3.Y aquí es donde la comprobación de autocorrelación debe ser (no implementado todavía)

La predictibilidad después de 1 y 2 acciones ha aumentado significativamente. Adjunto el código.

Gracias por su arduo trabajo, sin duda lo miraré hoy-mañana

En cuanto a la eliminación de la tendencia lineal - esto es el uso de incrementos, en RF recursiva se hace así, por ejemplo. Pero se utilizan precios privados, no diferencias, y los incrementos se enumeran con diferentes rezagos. Es decir, la entrada son simplemente precios, y luego un preprocesamiento con selección de los mejores incrementos (en general, esto se llama selección secuencial de tendencia, en la literatura, aquí esta operación no es literal, pero es un análogo). Se utilizan incrementos con un solo desfase, es decir, en esencia se pierde toda la información a largo plazo. Las grandes tendencias siguen teniendo que tenerse en cuenta de alguna manera en el mercado. Además, muchas fuentes sobre previsión de BP afirman explícitamente que necesariamente debe tenerse en cuenta una tendencia lineal, aunque sólo sea la dependencia temporal. Existe cierta confusión en las mentes de los aprendices de máquina en cuanto a la normalización y estandarización de variables para predecir procesos pseudoestacionarios y para predecir series temporales. Están empezando a adoptar enfoques que no funcionan para los problemas de predicción de BP. En la predicción de series temporales, la tendencia es casi lo más importante :) Quizás tenga sentido alimentar no la tendencia lineal en sí como entradas, sino características estadísticas para un periodo seleccionado (momentos de distribuciones), no lo he probado.

for(int bf=0;bf<features;bf++) {  
     for(int bf2=bf+1;bf2<features;bf2++) {               
      for(int i=0;i<RDFpolicyMatrix.Size();i++) {   
        m[i].Set(0,RDFpolicyMatrix[i][bf]/RDFpolicyMatrix[i][bf2]);         
        m[i].Set(1,RDFpolicyMatrix[i][features]);   
        m[i].Set(2,RDFpolicyMatrix[i][features+1]); 
       }         
      CDForest::DFBuildRandomDecisionForest(m,RDFpolicyMatrix.Size(),1,2,trees,r,RDFinfo,mRDF,mRep);         
      ArrayResize(models1,ArraySize(models1)/3+1);
      models1[modelCounterInitial][0] = mRep.m_oobavgce;   
      models1[modelCounterInitial][1] = bf; 
      models1[modelCounterInitial][2] = bf2;   
      modelCounterInitial++;                     
     }  
    }

con respecto a la periodicidad - Realmente no entiendo la idea.

No he notado grandes mejoras en OOS en comparación con la versión básica

[Oleg Mironov]

Maxim Dmitrievsky:

En la mente de los aprendices de máquina hay cierta confusión sobre la normalización y estandarización de variables para predecir procesos pseudoestacionarios y para predecir series temporales. Están empezando a adoptar enfoques que no funcionan para los problemas de predicción de BP. En la predicción de series temporales, la tendencia es casi lo más importante :) Quizás tenga sentido alimentar no la tendencia lineal en sí como entradas, sino características estadísticas para un periodo seleccionado (momentos de distribuciones), no lo he probado.

con respecto a la periodicidad - Realmente no entiendo la idea.

No he notado grandes mejoras en el OOS en comparación con la versión básica.

La eliminación de la periodicidad y la tendencia lineal está tomada de: Orlov, Osminin Non-stationary time series Forecasting methods with examples of analyses of financial and commodity markets. 3 puntos de la preparación de datos se toman en su totalidad. Tal vez sea un requisito del algoritmo considerado en el libro, pero he mejorado el resultado.

Voy a explicar cómo hago la prueba. Se toma un año con un desplazamiento de un mes hacia atrás. Se entrena el modelo. Pruebo el modelo con el último mes (que no se incluyó en el entrenamiento). Puede que un mes no sea suficiente, pero supongo que el modelo debería funcionar para el periodo futuro. No tiene sentido considerar más de un mes, el modelo estará sobreoptimizado durante este periodo. Con este enfoque, la rentabilidad en los primeros días es importante para mí (bueno, y la evaluación subjetiva - el período después del cual es necesario volver a optimizar). Con las variantes anteriores me las arreglé para lograr + comercio para 1-1,5 semanas por delante de manera constante, entonces comenzaron las diapositivas. Con el uso del preprocesamiento antes mencionado, fue posible lograr 2-2,5 semanas en +. Esto es lo que yo llamo el aumento de la previsibilidad. Tal vez mi enfoque no sea del todo correcto desde el punto de vista estadístico, pero en mi opinión es práctico. 2 semanas de trabajo estable del método ya permiten utilizarlo en el comercio real con la re-optimización después de una semana. Naturalmente, el último período se utilizará para la formación (sin desviación).

[Maxim Dmitrievsky]

mov:

Eliminación de la periodicidad y la tendencia lineal tomadas de: Orlov, Osminin Non-stationary time series Forecasting methods with examples of analyses of financial and commodity markets. 3 puntos de la preparación de datos se toman en su totalidad. Tal vez se trate de un requisito del algoritmo tratado en el libro, pero he mejorado el resultado.

Voy a explicar cómo hago la prueba. Se toma un año con un desplazamiento de un mes hacia atrás. Se entrena el modelo. Pruebo el modelo con el último mes (que no se incluyó en el entrenamiento). Puede que un mes no sea suficiente, pero supongo que el modelo debería funcionar para el periodo futuro. No tiene sentido considerar más de un mes, el modelo estará sobreoptimizado durante este periodo. Con este enfoque, la rentabilidad en los primeros días es importante para mí (y la evaluación subjetiva - el período de tiempo después del cual es necesario volver a optimizar). Con las variantes anteriores me las arreglé para lograr + comercio durante 1-1,5 semanas por delante de manera constante, entonces comenzaron las diapositivas. Con el uso del preprocesamiento antes mencionado, me las arreglé para lograr 2-2,5 semanas en +. Esto es lo que yo llamo el aumento de la previsibilidad. Tal vez mi enfoque no sea del todo correcto desde el punto de vista estadístico, pero en mi opinión es práctico. 2 semanas de trabajo estable del método ya permiten utilizarlo en el comercio real con la re-optimización después de una semana. Naturalmente, el último período se utilizará para la formación para el comercio (sin desviación).

Gracias, le echaré un vistazo. Es cierto que estoy un poco confundido acerca de cuál es la mejor manera de alimentar el modelo. Las múltiples transformaciones lo están llevando a lo salvaje, completamente poco intuitivo

De momento estoy explorando la aplicabilidad de los modelos lineales en este enfoque

s.s. ¿lo tienes en formato electrónico?

[Oleg Mironov]

Maxim Dmitrievsky:

s.s. ¿no lo tiene en formato electrónico?

Desgraciadamente en papel. Es una monografía, no lo he encontrado en la red, pero hay artículos científicos originales al respecto (buscar <nombre de familia> series no estacionarias), mañana intentaré filmar el capítulo sobre mercados financieros.

[Maxim Dmitrievsky]

mov:

Desgraciadamente el paper. Es una monografía, no la he encontrado en la red, pero hay artículos científicos originales al respecto (buscar <nombre de la familia> series no estacionarias), mañana intentaré filmar el capítulo sobre mercados financieros.

Me gustaría saber exactamente como lo ven, lo demás lo entiendo.

[Oleg Mironov]

El algoritmo está en la sección 6.4.2, el enlace va al final 5.2.1. Por si acaso hice los dos capítulos en su totalidad, pido disculpas sin procesar los escaneos, pero hay poco tiempo libre en el trabajo (y el escáner funciona).

[Maxim Dmitrievsky]

mov:
El algoritmo está en la sección 6.4.2, el enlace va al final 5.2.1. Por si acaso hice los dos capítulos enteros, pido disculpas sin procesar los escaneos, pero hay poco tiempo libre en el trabajo (y el escáner funciona).

gracias! empezado a leer

[Oleg Mironov]

Maxim Dmitrievsky:

gracias! he empezado a leer

Lo siento, tal vez sea útil: Gaidyshev Análisis de Datos y Procesamiento de Referencia Especial 2001. ch6 métodos de reducción de la dimensionalidad (el libro es bueno con ejemplos en C). Hay pdf en la red, pude adjuntar sólo djvu ( limitación de tamaño de archivo).

[Maxim Dmitrievsky]

Олег:
Lo siento, puede ser útil: Gaidyshev Data Analysis and Processing Special Reference 2001. ch6 métodos de reducción de dimensionalidad (el libro es bueno con ejemplos en C). Hay pdf en la red, yo sólo podía adjuntar djvu (limitación de tamaño de archivo).

Sí, PCA es una de las opciones para resolver el problema, puedes experimentar. Lo probé en un ejemplo de prueba simple - por lo menos no empeoró, no estoy seguro acerca de mejor todavía

[Maxim Dmitrievsky]

Олег:
Lo siento, puede ser útil: Gaidyshev Data Analysis and Processing Special Reference 2001. ch6 métodos de reducción de dimensionalidad (el libro es bueno con ejemplos en C). Hay pdf en la red, podría adjuntar sólo djvu (limitación de tamaño de archivo).

https://www.mql5.com/ru/forum/86386/page1189#comment_9795331