Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1602

 
Hola, aconsejar algunas librerías o frameworks de ML que funcionen bien con la clasificación entre, digamos, 10 clases diferentes, idealmente en C#
Al ejecutar ML.NET en su entrada, identificó estos métodos como los más precisos

- Clasificador LGBM
- Clasificador de máxima entropía.

Pero ML.NET tiene algunas limitaciones, así que me gustaría probar otras opciones.
No está relacionado con el mercado en este momento, pero probablemente se utilizará en el futuro.

Ejemplo de datos.

Label   Pitch   Energy  RMS     ZCR     Centroid        Spread  Flatness        Noiseness       RollOf  Crest   Entropy Decrease        C1      C2      C3      C4      C5      C6      M1      M2      M3      M4      M5      M6      M7      M8      M9      M10     M11     M12     M13

08      195.91840       749479.40000    663.49990       0.06797 5960.71800      5623.56900      0.45596 0.48241 11892.42000     113.03180       0.81972 -0.01187        0.60059 0.99703 1.12502 1.38532 1.41049 1.34596 174.31960       5.43771 0.53368 1.08706 1.28929 -0.27730        0.22525 -0.32192        -1.06489        0.18286 0.12653 -0.36697        0.04997

07      89.38548        264804.20000    427.55540       0.06677 5575.63400      5633.31900      0.41806 0.46413 11484.85000     167.75290       0.79212 -0.17176        0.58641 1.03448 1.14216 1.40824 1.38114 1.41114 174.84360       4.86947 0.42199 1.17480 1.67603 -0.33066        0.54447 -0.31041        -0.75327        -0.04792        0.82607 0.23418 0.16688


 
...:
Hola, aconsejar algunas librerías o frameworks de ML que funcionen bien con la clasificación entre, digamos, 10 clases diferentes, idealmente en C#
Al ejecutar ML.NET en su entrada, identificó estos métodos como los más precisos

- Clasificador LGBM
- Clasificador de máxima entropía.

Pero ML.NET tiene algunas limitaciones, así que me gustaría probar otras opciones.
No está relacionado con el mercado en este momento, pero probablemente se utilizará en el futuro.

Ejemplo de datos.

¿Has probadoCatBoost?

 
Maxim Dmitrievsky:
La pitonisa no vio a los chelistas, es decir, de forma anónima. Sólo le hicieron preguntas cortas diferentes personas y evaluaron la respuesta. Nadie se conoce. Me preguntaba cuál era el efecto psicológico. Pensé que me iba a quedar con las tonterías de las tarjetas, pero están en su punto).

De ahí viene el "sabe" de la ameba. ¿Qué es el adivino?)

Amoeba finds approximate solutions to NP-hard problem in linear time
Amoeba finds approximate solutions to NP-hard problem in linear time
  • phys.org
Researchers have demonstrated that an amoeba—a single-celled organism consisting mostly of gelatinous protoplasm—has unique computing abilities that may one day offer a competitive alternative to the methods used by conventional computers. The researchers, led by Masashi Aono at Keio University, assigned an amoeba to solve the Traveling...
 

Y he conseguido entrenar una red neuronal. En BTCUSD predice el movimiento cada minuto para los próximos 15 minutos (sin referencia a las velas). La respuesta neuronal es binaria arriba/abajo y se expresa numéricamente como -70 a +70, no es una previsión de precios, es un grado de confianza en el movimiento.
Ahora, en el mercado real, el resultado es superior al esperado. Durante el backtest el 68% de las respuestas exitosas resultaron ser mucho mejores. Entrenado sin muletas ni pistas, es decir, sin influencia externa, lo que he entrenado funciona igual.
Los datos han sido preparados con MQL5 bot, TensorFlow + Keras neuron, ahora envía mis predicciones al canal de telegram. No voy a dar el enlace aquí, pero si puedo, por favor, hágamelo saber.

De hecho tengo un indicador que da un valor en cada vela de un minuto. A partir de valores de 30 puedo intentar comerciar)

Responderé a las preguntas, pero dejaré los conocimientos sobre la preparación de los datos para la formación...

 
Evgeny Dyuka:

En el backtest dio un 68% de respuestas acertadas, pero en la vida fue mucho mejor.

Eso no te dice nada, como sabes. ¿Cuál es la expectativa de ganar?

 
Andrei:

Eso no dice nada, como sabes. ¿Cuál es la expectativa de ganar?

Claro que no dice nada, pero el mercado real sí. El pronóstico es absolutamente correcto, puedo adivinar muy bien las tendencias y los próximos retrocesos, por así decirlo... mejor que todos los indicadores conocidos. Todo esto en público.
No se ha contado con la expectativa de la estera.
 
Evgeny Dyuka:
Pero el mercado real dice, la previsión es absolutamente adecuada, la adivinación de las tendencias y los próximos retrocesos es muy buena, por así decirlo... Mejor que todos los indicadores conocidos. Todo esto en público.

El porcentaje de aciertos no dice nada, puede haber un 99% de aciertos que sean rentables y un 1% que no lo sean, lo que cubrirá todos los beneficios.

Evgeny Dyuka:
No se ha contado con la expectativa de la estera.

¿Por qué?

 
Andrei:

El porcentaje de aciertos no te dice nada, puede haber un 99% de aciertos que sean rentables y un 1% que no lo sean, lo que cubrirá todos los beneficios.

¿Por qué?

Puedes convencerme de que estoy equivocado. Hice este proyecto durante 6 meses durante 16 horas al día y obtuve el resultado. No puedo mostrarte, porque estás esperando un enlace que te dé un anuncio del casino.

Una contrapregunta, ¿dónde más deberíamos discutir este tema como en un foro central?
Tal vez por seguridad deberíamos equipar a un delegado del foro, que se ponga un traje de protección, calce en el enlace, observe y diga si es un casino o no.
Después lo discutiremos.

 
Andrei:

El porcentaje de aciertos no te dice nada, puede haber un 99% de aciertos que sean rentables y un 1% que no lo sean, lo que cubrirá todos los beneficios.

¿Por qué?

El porcentaje de aciertos no es importante en este tema, es una categoría diferente. Lo principal aquí es si la red está aprendiendo o no. Si muestra signos de capacidad de aprendizaje, la puerta está abierta, y entonces la calidad de la predicción puede mejorarse infinitamente. Todo dependerá del equipo y del tiempo.
Razón de la queja: