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

Aliaksandr Hryshyn 2020.07.27 06:55 #19211

Maxim Dmitrievsky:

Altai... pero no fui en el último momento, no quería).

por cierto, ¿conoces a los profesionales?

Puedo compartir el código para analizar los modelos Catbust, sólo para variables continuas. El código lee el código C++, lo convierte en matrices MQL y lo ejecuta. No puedo decir que funcione con todos los parámetros posibles, lo hice para un formato específico.

[¡AVISO CERRADO!] Cualquier pregunta [ARCHIVO] Cualquier pregunta de Cualquier pregunta de los

[Eliminado] 2020.07.27 07:18 #19212

Aliaksandr Hryshyn:
Puedo compartir el código para analizar los modelos Catbust, sólo para las variables continuas. Leer el código C++, convertirlo en matrices MQL y ejecutarlo. No puedo decir que con todos los parámetros posibles vaya a funcionar, lo hacía para un formato concreto.

¿Cómo es el análisis? Yo uso python para todo.

Se escupe en este formato. Clasificador binario

#include <string>
#include <vector>

/* Model data */
static const struct CatboostModel {
    unsigned int FloatFeatureCount = 24;
    unsigned int BinaryFeatureCount = 149;
    unsigned int TreeCount = 38;
    unsigned int TreeDepth[38] = {4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4};
    unsigned int TreeSplits[152] = {111, 141, 18, 122, 100, 119, 14, 81, 123, 46, 70, 33, 137, 63, 95, 12, 136, 61, 56, 27, 135, 98, 78, 44, 138, 80, 147, 36, 142, 125, 65, 92, 94, 55, 77, 112, 113, 120, 58, 17, 133, 35, 16, 71, 130, 117, 76, 68, 103, 99, 54, 29, 110, 64, 41, 3, 116, 140, 106, 88, 127, 87, 118, 69, 128, 105, 8, 45, 148, 79, 121, 109, 102, 124, 62, 131, 146, 66, 5, 104, 86, 139, 93, 11, 20, 67, 4, 89, 59, 143, 51, 32, 30, 144, 42, 53, 2, 40, 19, 25, 90, 115, 50, 75, 7, 129, 82, 73, 79, 24, 49, 0, 114, 38, 97, 31, 37, 72, 126, 107, 47, 96, 43, 23, 22, 34, 26, 15, 86, 10, 28, 84, 39, 74, 9, 57, 145, 83, 132, 134, 52, 101, 108, 21, 126, 91, 1, 48, 13, 60, 85, 6};
    unsigned int BorderCounts[24] = {0, 2, 7, 5, 5, 2, 5, 6, 3, 4, 6, 2, 9, 8, 6, 9, 7, 5, 7, 6, 5, 8, 8, 24};
    float Borders[149] = {-0.000455000001 f, -0.000224999996 f, -0.00365500012 f, 0.000404999999 f, 0.000615000026 f, 0.000675000018 f, 0.00104500004 f, 0.00156 f, 0.00159500004 f, -0.00115499995 f, -0.000969999994 f, -0.000215000007 f, -1.49999996 e-05 f, 0.000854999991 f, -0.00139999995 f, -6.50000002 e-05 f, 0.000375000003 f, 0.000615000026 f, 0.000905000023 f, 0.000555000035 f, 0.000864999951 f, -0.000505000004 f, -0.000364999985 f, 0.000264999981 f, 0.000385000021 f, 0.001085 f, -0.00156500004 f, -0.000914999982 f, -0.000415000017 f, -7.50000036 e-05 f, 0.000705000013 f, 0.000864999951 f, -4.99999987 e-06 f, 0.000224999996 f, 0.000274999999 f, -0.00166499999 f, -0.00149499997 f, -0.000364999985 f, 0.0014500001 f, -0.00346500007 f, -0.00191999995 f, -0.00103499996 f, 0.000224999996 f, 0.00164999999 f, 0.00318 f, -0.00142500002 f, -0.00111499999 f, -0.00681000017 f, -0.00107500004 f, 0.000104999999 f, 0.000185000012 f, 0.000505000004 f, 0.000564999995 f, 0.00059499999 f, 0.00116500002 f, 0.00246499991 f, -0.00215499988 f, -0.0020349999 f, 0.000155000002 f, 0.00059499999 f, 0.000725000049 f, 0.00143499998 f, 0.00159500004 f, 0.00461499998 f, -0.00113500003 f, -5.49999968 e-05 f, 6.50000002 e-05 f, 7.50000036 e-05 f, 0.000735000009 f, 0.00431500003 f, -0.000439999974 f, -0.000224999996 f, -0.000155000002 f, -0.000135000009 f, 0.000325000001 f, 0.000534999999 f, 0.000714999973 f, 0.001605 f, 0.0020349999 f, -0.00679500028 f, -0.00156500004 f, -0.00130999996 f, -0.000815000036 f, -0.000484999997 f, 0.000274999999 f, 0.00126500009 f, -0.00630000001 f, -0.000965000014 f, -0.000914999982 f, 0.000944999978 f, 0.001085 f, -0.00104500004 f, -0.000570000033 f, -0.000135000009 f, 0.000415000017 f, 0.000774999964 f, 0.00129000004 f, 0.00136499992 f, -0.00214500003 f, -0.00078500004 f, 0.000564999995 f, 0.000969999994 f, 0.00129500008 f, 0.00171500002 f, -0.00109499996 f, -0.000665 f, -0.000505000004 f, -0.000455000001 f, 0.00092000002 f, -0.00078500004 f, -0.00033000001 f, 0.000375000003 f, 0.000754999986 f, 0.000944999978 f, 0.000974999974 f, 0.00135000004 f, 0.00179500005 f, -0.000735000009 f, -0.000195000001 f, -0.000140000004 f, -4.50000007 e-05 f, 2.49999994 e-05 f, 0.000549999997 f, 0.000729999971 f, 0.00175000005 f, -0.000645000022 f, -0.000404999999 f, -0.000390000001 f, -0.00033000001 f, -0.000315000012 f, -0.000204999989 f, -0.000195000001 f, 4.99999987 e-05 f, 6.50000002 e-05 f, 0.000109999994 f, 0.000230000005 f, 0.000245000003 f, 0.000354999996 f, 0.00046499999 f, 0.000484999997 f, 0.000495000044 f, 0.00059499999 f, 0.000684999977 f, 0.000705000013 f, 0.000725000049 f, 0.00109999999 f, 0.00122500001 f, 0.00124499993 f, 0.00194999995 f, };

    /* Aggregated array of leaf values for trees. Each tree is represented by a separate line: */
    double LeafValues[608] = {
        0.2730029119914884, 0.03364653273046463, -0.2371262400839919, 0.1081843550866285, 0.1343627920272425, -0.1126874256586927, -0.1126874256586927, -0.1126874256586927, -0.06059264820464742, 0.06930028482667829, 0, -0.249182516740322, 0, -0.04043442721784622, 0.1126874256586928, -0.246778769760217,
        0.3055616697384914, 0, 0, 0, 0.3295134099067072, 0, -0.001400906528597944, 0.1109887188810945, 0.3268369286843394, 0.09915101998784448, 0.1058842186334935, -0.2170923208654514, 0.2805477815282972, 0.1585452078030638, 0.04581636331023499, -0.1482988821054673,
        0.2661001303798985, 0, 0.2465781759237509, -0.1025474154359036, 0.1236081969018748, -0.1513185903680103, 0.09970504556623555, -0.1329324554655258, 0.1311330854183022, 0, 0.1102178581205619, -0.09318782033023576, 0, 0, 0.0984009666714989, -0.2078721521946149,
        0.2318376125278687, -0.1062335532728426, 0, 0, 0.08412564157842428, -0.1469343266107289, 0, -0.08357104102221358, 0.1653044215102119, -0.03314292702875558, 0, 0, 0.003358906412990077, -0.1912230767439488, 0, -0.2522267340231065,
        0.1973025375909275, 0, 0, 0, 0.4228820616711522, -0.07638314839084562, 0, 0, 0.2694211287720111, 0, 0, 0, 0.1652145942168661, -0.08206648374492893, -0.1450852254716266, -0.1363614260665522,
        0.2270555010525044, 0, 0.1627207525378816, -0.06377453863892701, 0, 0, -0.1357966649842286, -0.2427437659214983, 0, 0, 0, 0, 0, 0, 0, -0.1803912820573122,
        0.1804444671623995, -0.1017902080898772, 0.2133898509109472, 0.2517605145878034, 0, 0, 0, 0.0667661734515297, 0.2610915548565391, 0, 0.1052820435018607, -0.04560350655907942, 0, 0, 0, -0.3270645727235584,
        0.3575664582748267, 0, -0.0134804607394401, -0.04992725827315483, 0.2020647226798946, 0, -0.03385866654059267, 0, 0.2644495544004545, 0, 0.05182748809759461, -0.1768682974102572, 0.2407016500831285, 0, 0.04550057548317996, -0.119019763974849,
        0.08658245310355768, -0.02639731363946828, 0, 0, -0.07937732361985407, 0.2547371055272361, 0, 0, 0.02587599274452583, -0.05393875649408716, 0, 0, 0, -0.1657068825017175, 0, -0.2049254584747038,
        0.1440498437609123, 0.1101736004819604, 0.005464554800258488, -0.03812379875242829, 0.1819257725985174, 0, 0.02309394186822163, -0.08799582858720537, 0.08924300136100559, 0, -0.1587820248277704, 0, 0.07685524153284377, 0, 0.03664203213434057, -0.1531993322169632,
        0.09806057100343098, -0.09888524364037948, 0.2135150121698442, -0.09009400810853242, 0.07220208574561482, 0, 0.06638832682433267, -0.08176789304081045, 0.0580997781754348, 0.2757911650361233, 0.2520388352390843, -0.03558969703545899, 0, 0, 0.05616828900715019, -0.05996334853624528,
        0.3034312237500126, -0.3295604473826144, 0.1887070939415764, -0.01674053821735176, 0.04203126063490011, 0, 0.06936231294655706, -0.04128791044025015, 0, 0, 0.1230751670630003, -0.02722926856756647, 0.03326065080614352, 0, 0.06968005579997801, -0.05689069395020619,
        0.1144715475069234, 0, 0.01532939962304299, -0.09842006335636103, 0, 0, 0.3532831730583329, -0.1424529047285753, 0.1130693244873004, 0, -0.001413815681729, -0.1730902495689088, 0, 0, -0.003744815582707896, -0.2340067817777089,
        0.0582716295838749, 0.05887691806098397, 0.1830039055150205, 0.1275695040047543, 0.2265370556123239, 0.05865002066522316, 0.1412030624760486, -0.04465374880604451, 0.1016168407643287, -0.1696982846816441, 0.0168802138361802, -0.09464076746916356, 0.118358865381315, 0.07766416051208853, -0.004086300252646373, 0.01145464025038506,
        0.09893204118662431, 0, 0, 0, -0.1771744077440305, 0, -0.08956662944160931, 0, 0.06459969382272165, 0, -0.09920331948638744, 0, 0.06208790080353844, -0.06391545778445595, -0.03815083591344838, -0.193220691727352,
        0.2084212418556134, -0.2711170554066691, 0.3287662064308552, 0.04618819791309881, 0.02295062367871115, 0.06903818051790414, 0.06785880462261525, -0.01900550327916934, 0, 0, 0, 0, 0, 0, 0, -0.1379757023193675,
        0.1277198477469503, -0.1045845285066445, 0.06646719763990752, -0.006328728989568992, 0, 0, 0, 0, 0.2991650315125301, -0.1609657699217688, 0.1807990380964121, -0.02247201152624968, 0.06039630602452812, 0, 0.07323877669092338, 0.1041619957787472,
        -0.1701607137827854, 0, 0.08119342965694411, 0, 0, 0, 0, 0, 0, 0, 0.02263621203523299, 0, 0, 0, 0.001461819609651068, -0.3310861822552173,
        0.1708582471998724, 0, 0, 0, 0, -0.08085455495800464, 0, 0, -0.02242709602120458, -0.01626809043535743, -0.08378843901194441, -0.1314392215326333, 0.1670789581203374, -0.03477863896354667, -0.02057073074698931, -0.132977812589716,
        0.01576995464742881, 0, 0.05788166290521737, 0, 0.1155558453551253, 0, 0, 0, 0.009175549226526487, -0.09285703148627725, 0.0170554478209398, -0.1704207949809702, -0.1872038714907393, 0, 0.1259508080010625, -0.1193817874448983,
        -0.1624959866223847, 0.03397677382231543, 0, -0.01337295631517065, 0, 0.1165918182388884, 0, -0.04635935471889165, 0, 0.012563032729967, 0, -0.1185940873147897, 0, 0.02522877097419614, 0, -0.02570582073728468,
        0.002633980002093404, 0.0725570801392979, 0.03442625637449047, 0.001037481484499863, -0.04931529849937184, -0.2105671840353762, 0.1489911821071239, 0.2202194677045035, 0.1810528663002426, 0, -0.08188791865647969, -0.124584203103273, 0, 0.03156045615123341, 0.05563213612263092, -0.04578705044003427,
        0.01165640797726642, -0.1810863968750629, -0.1089920493861719, 0.05654669419619869, 0.05301303138076533, 0.1259240607012236, -0.1400660470693698, 0.06632028296608294, 0.02792682995145789, -0.1631488652519533, -0.1472788242094764, 0.02141183442530574, 0.284237301261878, -0.001197458738763785, 0.05972702215452129, -0.0586075718789894,
        0.02490937469062505, 0.01810224834922746, -0.1092925911367815, -0.1197570696964759, 0.008067995573721135, -0.1023547665228953, -0.09294834637942173, 0.231300348695698, 0.2206397515352709, 0, -0.03762173512827768, 0, 0.102636146583814, -0.04563726647379882, -0.0298583349638738, -0.03244852061992397,
        -0.1794615195377556, 0.01921769229013687, 0, 0.01044638539736725, 0, 0.02781136690266, 0, 0.001867775508010755, 0, 0.1067785434424472, 0, -0.2932442639776253, 0, 0, 0, -0.03241018659571911,
        -0.006510415667175931, 0.07059931629954573, -0.05002576775584883, 0, 0.02889911804947202, 0.1366522086842556, 0.1459606096328157, -0.07315994927835844, -0.1602705507235337, 0.1878187897030766, -0.04626610184165392, -0.09837710067806367, 0.05397003977271773, -0.04858868406475466, 0.0649201842045576, -0.06524393947925287,
        0.1459267556026626, 0.01372089516811126, -0.1001303921089584, 0, 0.2092093674681419, 0.01930448166419142, -0.04972139914274094, 0, 0.03545870984455322, 0, -0.07554900451460518, 0, 0.2137989937258072, 0.0008411572827327659, -0.00117214692641536, 0.09422976943966678,
        -0.1641700048226127, 0.07641634809302257, 0.01054185317373139, 0.1341178828759175, 0, -0.04019050552180111, 0, 0.1596324334341981, 0, 0.006806725110812047, 0, -0.1081606151666887, 0, 0.01822843651581126, 0, -0.01720619226968497,
        0.009025394520361704, -0.00389494343189025, 0.2311406287627894, -0.083367208305538, 0.1730715229027212, -0.1114791940489316, 0, -0.1028046654549743, -0.07334162028427468, 0.04581415665697729, 0.09898474179992452, 0.1365328178250054, -0.04325183693301483, -0.002210798573244916, -0.1387629807152628, -0.08980091117790198,
        0.1201356461649662, 0.1758279743860605, 0.04350349009977216, 0.1134402521456353, -0.06435518652676646, -0.2395731049930946, 0.08878547365332778, -0.03259992777530323, 0.04016967881155449, 0.05586731905591313, 0.02231616278420573, 0.06715298880059364, -0.02931637068858008, -0.02727342673220743, 0.07981966823218006, -0.00736687454594985,
        -0.1523999096887992, 0.01066390065885025, 0, -0.007937651487390564, 0, 0.05838570541522675, 0, -0.01764599778668323, 0.00926922900423862, -0.01462296480325223, 0, -0.1231100245909153, 0, 0.2071885095206176, 0, -0.07553876970469377,
        -0.007509531863847287, -0.03821554347886918, 0, 0, 0.04539951031452136, -0.03237816844587264, 0.1489237277306394, -0.06858743023508017, 0, 0, 0, 0, -0.02197724937765806, -0.009927643925657297, 0.1075288047240592, 0.007583049665065472,
        -0.1438530341047301, 0.08211619188336085, 0.009520674504357616, -0.035052444268162, 0, -0.2209655809626173, 0, 0.02928893608785839, 0, 0.2307562221331639, 0, 0.004914926553117083, 0, -0.04531825623377965, 0, -0.01478427605905595,
        -0.07585048830556372, 0.06213280806503956, 0, 0, -0.2460691271464409, 0.1587981422466466, 0, 0, 0, -0.01873021929806146, 0, 0.1355384701582952, -0.06505176113152071, 0.006237844209643408, 0, -0.01139845636090814,
        0.03344525515709466, 0, 0.05456132700219524, 0, -0.3220774353233821, 0, 0.09756717225728033, 0, 0, 0, 0, 0, -0.05013487401906989, -0.1004156738161951, 0.01006705311047576, -0.06297947180380781,
        0.03125880796992506, 0.1620757216856216, 0.02218793960373364, 0, -0.05510500531128774, 0, -0.1305668615108228, 0.09175301826776584, -0.02241534935432258, 0.06091737602659867, 0.1959961615001555, -0.08945488952436154, -0.1297656911182584, -0.0327910998454452, 0.04823531757180094, -0.0451880914096086,
        -0.03549878434185903, -0.05751707772342768, 0.03023724321196803, -0.03668922584353116, 0.1446378062221211, -0.1558238670878492, 0.0440168187902071, -0.07335968350547692, 0.05992982442842611, 0, 0.1297678384005503, 0.001564747370113251, 0.1215230794033289, -0.237198658134785, 0.1200964187472702, -0.003075362232407817,
        0.009596007555535021, -0.02731003882847802, -0.03313751244478664, 0.2002494267502239, -0.00142054347110939, 0, -0.07476518666658544, 0.06964401248797676, -0.1775794863889658, -0.02635446781295587, -0.04719524974954924, 0.1681250432344917, 0, 0, 0.08871226782186471, -0.01856541295695367
    };
    double Scale = 1;
    double Bias = 0;
} CatboostModelStatic;

/* Model applicator */
double ApplyCatboostModel(
    const std::vector<float>& features
) {
    const struct CatboostModel& model = CatboostModelStatic;

    /* Binarise features */
    std::vector<unsigned char> binaryFeatures(model.BinaryFeatureCount);
    unsigned int binFeatureIndex = 0;
    for (unsigned int i = 0; i < model.FloatFeatureCount; ++i) {
        for(unsigned int j = 0; j < model.BorderCounts[i]; ++j) {
            binaryFeatures[binFeatureIndex] = (unsigned char)(features[i] > model.Borders[binFeatureIndex]);
            ++binFeatureIndex;
        }
    }

    /* Extract and sum values from trees */
    double result = 0.0;
    const unsigned int* treeSplitsPtr = model.TreeSplits;
    const double* leafValuesForCurrentTreePtr = model.LeafValues;
    for (unsigned int treeId = 0; treeId < model.TreeCount; ++treeId) {
        const unsigned int currentTreeDepth = model.TreeDepth[treeId];
        unsigned int index = 0;
        for (unsigned int depth = 0; depth < currentTreeDepth; ++depth) {
            index |= (binaryFeatures[treeSplitsPtr[depth]] << depth);
        }
        result += leafValuesForCurrentTreePtr[index];
        treeSplitsPtr += currentTreeDepth;
        leafValuesForCurrentTreePtr += (1 << currentTreeDepth);
    }
    return model.Scale * result + model.Bias;
}

double ApplyCatboostModel(
    const std::vector<float>& floatFeatures,
    const std::vector<std::string>&
) {
    return ApplyCatboostModel(floatFeatures);
}

Aliaksandr Hryshyn 2020.07.27 08:05 #19213

MQL

Obtiene arrays mql

[Eliminado] 2020.07.27 08:09 #19214

Aliaksandr Hryshyn:
MQL

Comparte si no te importa

Tal vez saque algo útil de ello.

Aliaksandr Hryshyn 2020.07.27 08:10 #19215

Maxim Dmitrievsky:

compartir, si no te importa

Tal vez consiga algo útil.

Sólo más tarde, cuando llegue a casa

mytarmailS 2020.07.27 09:33 #19216

Aleksey Vyazmikin:

Me di cuenta de que este tipo de agrupación no crea reglas,

No conozco el algoritmo de agrupación que crea las reglas.

Así que la pregunta sigue siendo - ¿cómo guardar en csv perteneciente a la cadena a cada clase?

write.csv(myfile, file = "C:\\Users\\......\\myfile.csv", sep = ";",row.names = F,col.names = T)

Aunque es extraño, ¿por qué no podemos seguir agrupando con los datos ya existentes y definir la nueva cadena en una de las clases, o sí?

Por supuesto que se puede, ¡¡¡pero no en µl!!!

Aleksey Vyazmikin:
Pero he encontrado un libro en R.

Léelo, un gran libro.

Aleksey Vyazmikin:

Y no entiendo, ¿cómo puedo enrollar los resultados en una columna específica?

No entiendo lo que quieres))

Aleksey Vyazmikin:

Esta imagen tiene los mismos predictores que antes, pero el tamaño de la muestra es diferente y, lo que es más importante, se han añadido nuevos predictores.

¿Y así se interpreta la propensión al sobreentrenamiento?

Ya lo he dicho, interpreta según la finalidad directa de la herramienta, y tú pretendes clavar clavos con una flor

https://ru.wikipedia.org/wiki/%D0%A1%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8#:~:text=%D0%B5%D0%B4%D0%B8%D0%BD%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%BE%20%D0%B2%D0%BE%D0%B7%D0%BC%D0%BE%D0%B6%D0%BD%D1%8B%D0%BC%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%BE%D0%BC.-,%D0%9F%D1%80%D0%B5%D0%B8%D0%BC%D1%83%D1%89%D0%B5%D1%81%D1%82%D0%B2%D0%B0%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8,%D1%82%D0%B0%D0%BA%D0%B8%D0%BC%20%D0%BA%D0%B0%D0%BA%202D%20%D0%B8%D0%BB%D0%B8%203D.

Selección de características[editar|editar código]

Artículo principal:Selección de características

Un método deselección de características trata de encontrar un subconjunto de las variables originales (llamadas características o atributos). Existen tres estrategias: una estrategia de filtrado(por ejemplo, laacumulación de características ^[en]), una estrategia deenvoltura(por ejemplo, la búsqueda según la precisión) y una estrategia deincrustación(seleccionar las características que se añaden o eliminan a medida que se construye el modelo, basándose en los errores de predicción). Véase también problemas deoptimización combinatoria.

En algunos casos, elanálisis de datos, como laregresión o laclasificación, puede realizarse en el espacio reducido con mayor precisión que en el espacio original ^[3].

Proyección de rasgos[editar|editar código]

La proyección de características convierte los datos de unespacio de alta dimensión a un espacio de baja dimensión. La transformación de los datos puede ser lineal, como en elmétodo de componentes principales(PCM), pero existen varias técnicas dereducción no lineal ^[en] ^[4] ^[5]. En el caso de los datos multidimensionales, se puede utilizaruna representacióntensorial para reducir la dimensionalidad mediante elentrenamiento polilineal de subespacios ^[en] ^[6].

Eso es lo que hicimos ayer.

Reducción de la dimensionalidad[editar|editar código]

Para los conjuntos de datos de alta dimensión (es decir, con más de 10 dimensiones), se suele reducir el tamaño antes de aplicarel algoritmo de los vecinos más cercanos(k-NN) para evitar el efecto de lamaldición de la dimensionalidad ^[16].

Ventajas de la reducción de la dimensionalidad[editar|editar código]

Reduce el tiempo y la memoria necesarios.
La eliminación de la multicolinealidad mejora la velocidad del modelo de aprendizaje automático.
Es más fácil representar los datos visualmente reduciéndolos a dimensiones muy bajas, como 2D o 3D.

Machine learning in trading: Interesante y con humor Regresión Bayesiana - ¿Alguien

mytarmailS 2020.07.27 12:02 #19217

Decidido a mirar los retrocesos significativos del mercado. Giros significativos en U como objetivo. Pensé que sería un caos, pero no...

inversiónverde hacia arriba

rojo de inversión hacia abajo

El gris no es una inversión.

Es un poco más visual en 2D.

He añadido más datos; de todos modos tengo 4 clusters para la compra y 4 para la venta. Ahora probablemente debería elegir los clusters necesarios e intentar separar un turno de otro por el calificador en cada uno de ellos

Imagínese cuánta basura hay en los datos, todo esto tiene que ser separado de la información necesaria

No se puede hacer eso con la agrupación.

Tienes que probar algo más serio, DBscan por ejemplo, o tal vez seleccionar manualmente, he oído hablar de tal tecnología en alguna parte

ACCIONES noticias, previsiones, expectativas [ARCHIVO]Cualquier pregunta de novato, Esquemas de tráfico de

Rorschach 2020.07.27 12:51 #19218

mytarmailS:

Decidido a mirar los retrocesos significativos del mercado. Giros significativos en U como objetivo. Pensé que sería un caos, pero no...

inversiónverde hacia arriba

rojo de inversión hacia abajo

El gris no es una inversión.

Es un poco más visual en 2D.

He añadido más datos; de todos modos tengo 4 clusters para la compra y 4 para la venta. Ahora probablemente debería elegir los clusters necesarios e intentar separar un turno de otro por el calificador en cada uno de ellos

Imagínese cuánta basura hay en los datos, todo esto tiene que ser separado de la información necesaria

No se puede hacer eso con la agrupación.

Tenemos que probar algo más serio, DBscan por ejemplo, o tal vez seleccionar manualmente, he oído hablar de tal tecnología en alguna parte.

¿Hay alguna forma de buscar atributos dentro de un grupo concreto?

mytarmailS 2020.07.27 13:15 #19219

Rorschach:

¿Hay alguna manera de ver las características dentro de un clúster en particular?

¿Qué quieres decir? Los clusters no tienen atributos, combinan partes de atributos por similitud, por así decirlo

Rorschach 2020.07.27 13:46 #19220

mytarmailS:

¿Qué quieres decir? Los clusters no tienen características, combinan partes de características por similitud, por así decirlo

Lo que interesa son los valores de las características en el clúster.

Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1922

Selección de características[editar|editar código]

Proyección de rasgos[editar|editar código]

Reducción de la dimensionalidad[editar|editar código]

Ventajas de la reducción de la dimensionalidad[editar|editar código]