Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 131
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
Se ha publicado la versión 10 del clasificador ternario jPrediction
La validación cruzada está implementada en la nueva versión.
Debido a la validación cruzada, la capacidad de generalización en OOS en comparación con la versión 9 ha mejorado notablemente, especialmente en datos no estacionarios. Al mismo tiempo, la capacidad de generalización según los resultados de las pruebas en diferentes partes de la muestra, que se da como características del modelo en la versión 9 y 10, se mantuvo casi sin cambios.
Dado que los cambios no han afectado a la interfaz de usuario, las instrucciones para los usuarios de la versión 9 siguen siendo válidas. En las instrucciones se encuentran los enlaces para descargar nuevas versiones de jPrediction, así como su código fuente.
Escritor de Awl:
1) simplemente compara las dos series temporales por valores absolutos, es decir, se necesita un desplazamiento y una escala de prenormalización en el eje vertical, y depende en gran medida de la implementación particular.
2) Por ejemplo, aquí https://www.mql5.com/ru/code/10755 toma 2 piezas de longitud fija para la comparación
3) y no tiene en cuenta que uno de ellos puede ser más largo y el otro más corto
4), y se puede reducir en gran medida la cantidad de cálculos, etc. Podemos hablar de agrupación mediante parámetros específicos de DTW: no sólo se puede calcular el "grado de similitud" de dos fragmentos, sino también la relación de escalas horizontales.
1) Bien, antes de una comparación de similitud de dos series por el algoritmo DTW, la normalización se hace, por supuesto, de la manera habitual... esos reemplazan los valores absolutos de los precios en el rango digamos de 0 a 1 , ¿a qué se refiere con la normalización deldesplazamiento y la escala? explique por favor
2) Gracias por el enlace, estoy realmente sorprendido por decir lo menos, tengo exactamente la misma idea que el autor, he hecho exactamente la misma investigación, he pasado exactamente por el mismo camino evolutivo, desde la correlación regular a la DTW, me pone la piel de gallina ... estábamos haciendo lo mismo, pensando en lo mismo sólo que en diferentes momentos y en diferentes lugares, hormigueando...
3) Sí no se ha tenido en cuenta, aunque sería correcto tenerlo en cuenta, pero supongo que por qué el autor no lo ha implementado, el hecho es que si te pones a pensar más profundamente tipo: "pero cómo implementarlo" entonces sale un montón de preguntas que no tienen respuesta ...
porque no es sólo buscar similitudes con DTW en segmentos de longitud fija, como hice en clustering o el algoritmo del autor de este artículo, es mucho más complicado...
aquí hay algunas preguntas que surgen
1. ¿Cómo comparar la similitud del patrón de precios actual con los patrones históricos, si no sólo tenemos que recorrer el historial y buscar la similitud, sino también ampliar/reducir dinámicamente el patrón actual y el histórico con el que estamos comparando?
2. cómo luchar con insuficiente potencia deducida personalmente para DTW incluso en la longitud fija de dos secciones no tengo suficiente potencia en su totalidad, y con la variante ( 1.) la carga aumenta miles de veces sin exageración....
4) ¿Cómo?
1. Puedes llevar los valores de la serie al rango [0;1], pero es mejor, en mi opinión, eliminar el componente constante restando la media (MA) de cada elemento, y dividiendo cada elemento por la desviación estándar. El navegador, un parásito así, ha destruido parte del texto.
3-4. Si se examina la esencia del algoritmo, cómo se rellena la matriz, muchas cosas quedarán claras. Comparamos dos segmentos de igual longitud, que tienen principio y final fijos. Podemos fijar el principio y hacer que el final sea flotante, e introducir una restricción de factor de escala de 0,5 a 2 en el algoritmo: obtendrá DTW con restricciones. El resultado no será uno sino dos números, y eso nos dará un predictor adicional. Cómo reducir la cantidad de cálculos - encontrar "puntos singulares" (extremos), tirar de ellos entre sí y, por tanto, tirar una gran parte de la zona de la matriz, ver los enlaces para más detalles. Ver también wikipedia Dynamic Time Warping, sección Referencias.
Señores, una nueva tarea de mi parte:
Aquí hay un conjunto de datos en formato .R: https://drive.google.com/open?id=0B_Au3ANgcG7CcjZVRU9fbUZyUkE
Hay aproximadamente 40.000 filas y 101 columnas en el conjunto. La columna de la derecha es la variable objetivo. En el lado izquierdo hay 100 entradas.
Te sugiero que intentes construir un modelo de regresión que prediga el valor de la columna 101 en función de las 100 columnas restantes, sobre las primeras 20.000 observaciones.
En las más de 20.000 observaciones restantes, el modelo construido debería mostrar un R^2 de al menos 0,5.
A continuación, revelo la forma en que se generan los datos y doy mi solución.
La pista son los datos de las series temporales. La entrada es de 100 muestras, con una predicción de 1 por delante. No se trata de precios o cotizaciones ni de sus derivados.
Alexei
¿Quién lo intentó? Mis colegas y yo queremos entrenar una convolución NS. Hay algo de cartografía en marcha. Lo esperamos.
Una aplicación poco convencional del método. Por otro lado, simplemente presentamos una "imagen" unidimensional como entrada y podemos pegar allí los "píxeles" vecinos y sus diversas interacciones.
¿Quién lo ha intentado? Mis colegas y yo queremos entrenar una convolución NS. Hay algo de cartografía en marcha. Eso esperamos.
Una aplicación poco convencional del método. Por otro lado, simplemente presentamos una "imagen" unidimensional como entrada y podemos pegar allí los "píxeles" vecinos y sus diversas interacciones.
Mis colegas y yo queremos entrenar una convolución NS. Se está realizando un mapeo. Eso esperamos.
1. ¿Cómo podemos comparar la similitud de la pauta de precios actual con las pautas históricas, si no sólo tenemos que recorrer la historia y buscar similitudes, sino también ampliar/reducir dinámicamente tanto la pauta actual como la histórica con la que estamos comparando?
¿Por qué esa necesidad? Si un patrón tiene una analogía en la historia, entonces también debería corresponder en su duración. Al menos yo buscaba secciones proporcionales cuando hacía una búsqueda de patrones.
1) Bueno, al menos porque ningún patrón es exactamente igual en el mercado,
2) y porque dtw ofrece una gran oportunidad
3) y porque todos conocemos el resultado de buscar patrones idénticos por talla, incluido usted... ¿o me sorprenderá? :)
Así que deja que tus colegas lo prueben, ¿o eso es débil?
Interesante, esperando las impresiones...