Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 937
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Sí, puedes tener muchas clases. Pero rara vez he trabajado con modelos con más de 2 clases, siempre es difícil y problemático, sobre todo si una clase supera a las otras. Es posible intentarlo, pero no espero un buen resultado, la verdad.
Ahora es un poco complicado - un árbol es un filtro que sabe dónde no se puede ir largo, otro árbol sabe dónde se puede ir largo, y faltan 2 árboles similares para los cortos. Tal vez la combinación de toda esta información en un solo árbol supere las desventajas de usar tres clases, y el rompecabezas se arme :)
Sí, puedes tener muchas clases. Pero rara vez he trabajado con modelos con más de 2 clases, siempre es difícil y problemático, sobre todo si una clase supera a las otras. Es posible intentarlo, pero no espero un buen resultado, la verdad.
Ahora es un poco complicado - un árbol es un filtro que sabe dónde no se puede ir largo, otro árbol sabe dónde se puede ir largo, y faltan 2 árboles similares para los cortos. Tal vez la combinación de toda esta información en un árbol supere las desventajas de usar tres clases, y el rompecabezas se resuelva :)
Será interesante ver el resultado.
No sé, tal vez debería hacer nuevos objetivos con tomas de ganancias estúpidas, entonces podría haber más entradas. No está nada claro con los objetivos, ahora muchos de ellos (con muchas entradas) están cogiendo la reversión de forma contundente, mientras que a mí no me gustaría entrar en ellos - creo que no hay certeza de reversión, pero sí de finalización de movimiento de tendencia, y se puede esperar plana - es decir, tenemos objetivos de ruido allí. Cuando hay un archivo con un pequeño número de entradas, debe haber objetivos limpios, pero también nos encontraremos con diferentes tipos de entradas - fuera de la plana, la entrada después de la corrección para la continuación del movimiento y la entrada para la inversión (por ejemplo, durante la formación de la barra de pin en TF horaria). Además, existe el matiz de "ventana de entrada abierta" cuando se permite la entrada durante un número decente de compases seguidos: ahí también pueden aparecer ruidos de accidentes. Creo que debería dividir los objetivos para mostrar la misma imagen.
¿Has experimentado con kfold alglib? ¿Mejora los resultados? Vi en uno de tus antiguos posts que no parece mezclar la muestra. ¿Es necesario?
¿Alguna conclusión sobre qué sobreentrena menos, el bosque o el mlp? en los mismos datos. Tengo la sospecha de que para las tareas de regresión el bosque funciona torcido y devuelve errores torcidos (muy pequeños), para las normas de clasificación.
2. He visto gente interesada en OpCl, ¿se ha pensado en reescribir NS para ello? Por ejemplo, dejé el GA por completo como una pesadilla sin sentido, todo se entrena ahora en 1 hilo en 1 núcleo. Podrías acelerarlo en Cl (aunque tan rápido como eso). O, si se entrena en Spark, se paraliza de todos modos y no tiene sentido.
3. Más o menos entendido lo que pones en el git y cómo lo aplicas. ¡Un gran e interesante trabajo, respeto! :)
Hola)
Escaneó el código y lo puso en la lavadora y la encendió para enseñarla.
Luego cosí el código en la máquina de coser tres veces para entrenar la red neuronal en profundidad.
El resultado es que el código ha cambiado hasta quedar irreconocible, y ahora me pregunto cómo utilizarlo en el comercio...
¿Ya está listo el superbot?
Llevo dos años esperando.
¿hay alguna conclusión sobre cuál está menos sobreentrenado, el bosque o el MLP?
En uno de los paquetes hay un ejemplo de demostración del NS predictivo (MLP). Una NS relativamente sencilla, por cierto. Así que es incluso imposible volver a entrenarlo. No importa cómo lo reentrenes, todo funciona.
Por lo tanto, el reentrenamiento depende, en primer lugar, de la tarea establecida para la SN. Bueno, y sobre la adecuación de la complejidad de la MLP a la tarea.
Me refiero concretamente a alglib y a las pruebas sobre los mismos datos de diferentes modelos
Un NS es un NS. Da igual, alglib o qué. Si el NS vuelve a entrenar, significa que es inadecuado para la tarea establecida, y es necesario cambiar la tarea o la estructura del NS. Y no te molestes). Como solía decir un suboficial... (No puedo hablar de los bosques, con ellos no puedo decir nada).
No puedo decir nada sobre los bosques, no trabajo con ellos.
¿Y si entrenamos el árbol con un no objetivo en lugar de un predictor? ¿Seremos capaces de identificar los predictores no significativos, sobre la base de una buena formación? Es decir, si el modelo de prueba reconoce bien los predictores, entonces los otros predictores ya contienen suficiente información y el predictor es redundante y puede ser descartado. Pero, ¿y si no se trata del predictor sino de la redundancia de las propias combinaciones únicas?
Por ejemplo, he decidido elegir el número de la hora como objetivo.
El resultado de la muestra de entrenamiento
El resultado de la muestra de ensayo
Puedes ver que a las 10 se predice bien, ¿podemos hacer la suposición de que hay condiciones diferentes en ese momento que en el resto de la muestra? Creo que sí. Intentaré agrupar el resto de horas, quizás así podamos distinguir mejor las peculiaridades del comportamiento de los precios en estos rangos horarios.
¿Y si entrenamos el árbol con un no objetivo en lugar de un predictor? ¿Seremos capaces de identificar los predictores no significativos, sobre la base de una buena formación? Es decir, si el modelo de prueba reconoce bien los predictores, entonces los otros predictores ya contienen suficiente información y el predictor es redundante y puede ser descartado. Pero, ¿y si no se trata del predictor sino de la redundancia de las propias combinaciones únicas?
Por ejemplo, he decidido elegir el número de la hora como objetivo.
El resultado de la muestra de entrenamiento
El resultado de la muestra de ensayo
Puedes ver que a las 10 se predice bien, ¿podemos hacer la suposición de que hay condiciones diferentes en ese momento que en el resto de la muestra? Creo que sí. Intentaré agrupar el resto de horas, puede que me ayude a distinguir mejor las peculiaridades del comportamiento de los precios en esos rangos de tiempo.
Un día probablemente no es suficiente). En realidad es una especialidad). Se ha estudiado durante años, incluso durante toda la vida activa.
NS, no es una reminiscencia, pero se utiliza ampliamente en DSP. La cuestión de la aplicación de NS en DSP es la formulación correcta del problema para NS. Digamos que una de las aplicaciones de la NS es el filtrado, incluido el filtrado adaptativo.
Por cierto, NS funcionará bien cuando le des una tarea bastante específica, no trae esto, no sé qué.
Sigo metiéndome en esto.
Llevo 5 años estudiando este fic y no podía ni imaginar que es posible aplicarlo a un foro.
En resumen, NS es un filtro adaptativo no recursivo ordinario.
Hay muchas variedades.
Con profesor, sin profesor, etc.
Predictores: coeficientes de filtrado digital. Es divertidísimo, porque es elemental, y estás como pisoteando la ciencia... Todo es tan antiguo como el tiempo. (Todo esto es tan antiguo como los años 50).
Dígame usted: ¿ha hecho ya uno a ciegas o utiliza la entrada/salida con el entrenamiento?
//Como si no se supiera cuál es la salida y no hubiera nada con lo que comparar... Dicen que en este caso el objetivo principal es reducir el ruido.
// Y si se trata de un vidente, la previsión se calculará con el vector de error, que se filtrará. Pero hay un retraso en el procesamiento, al menos de un tick.