L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2563
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
alors vous devez être plus précis.
J'envisage d'écrire un article expliquant plus en détail ce que je fais.
Je voulais discuter d'approches similaires ici, mais il s'est avéré qu'il n'y avait aucun intérêt.
En bref, voici ce que je fais par étapes :
1. Au moyen de CatBoost, j'enregistre différents types de tables quantiques avec un nombre différent de "quanta" (pré-séparations forcées).
2. j'analyse chaque quantum par le script pour la stabilité et la capacité prédictive de l'indicateur.
2.1 Passage du seuil d'exhaustivité et de précision de l'ensemble de l'échantillon.
2.2 Évaluation de la stabilité de l'écart de l'indicateur cible du prédicteur par rapport à l'indicateur cible dans la zone d'échantillonnage - Je prends 7 points et je fais un tri par RMS.
3. je sélectionne les meilleurs quanta de toutes les tables pour chaque prédicteur en tenant compte de leur non-chevauchement dans l'espace des plages pour lesquelles la quantification a eu lieu.
4. Je crée un nouvel échantillon (deux types combinés à travers tous les quanta et aucun) où le prédicteur des quanta a un signal de 0 ou 1.
5. J'exclue les prédicteurs qui ont un signal similaire dans l'échantillon.
6. Enseigner le modèle.
Si, après le point 5, nous effectuons également un contrôle de robustesse sur l'échantillon de test et d'examen, et que nous ne retenons que les prédicteurs qui ont donné un résultat satisfaisant, les résultats de la formation s'améliorent considérablement. Il s'agit d'une sorte de triche, mais l'intérêt de l'utiliser ou non est une question d'expérimentation. Je pars du principe que plus les indicateurs sont stables longtemps, plus ils ont de chances de le rester.
Si vous avez des questions sur une étape particulière, demandez, j'essaierai de donner plus d'informations.
P.S. Vous pouvez aussi simplement sauvegarder la table quantique échantillonnée, exclure les prédicteurs inefficaces et vous entraîner sur un échantillon régulier - cela améliorera également l'apprentissage.J'envisage d'écrire un article expliquant plus en détail ce que je fais.
Je voulais discuter d'approches similaires ici, mais il s'est avéré qu'il n'y avait aucun intérêt.
En bref, voici ce que je fais par étapes :
1. Au moyen de CatBoost, j'enregistre différents types de tables quantiques avec un nombre différent de "quanta" (pré-séparations forcées).
2. j'analyse chaque quantum par le script pour la stabilité et la capacité prédictive de l'indicateur.
2.1 Passage du seuil d'exhaustivité et de précision de l'ensemble de l'échantillon.
2.2 Évaluation de la stabilité de l'écart de l'indicateur cible du prédicteur par rapport à l'indicateur cible dans la zone d'échantillonnage - Je prends 7 points et je fais un tri par RMS.
3. je sélectionne les meilleurs quanta de toutes les tables pour chaque prédicteur en tenant compte de leur non-chevauchement dans l'espace des plages pour lesquelles la quantification a eu lieu.
4. Je crée un nouvel échantillon (deux types combinés à travers tous les quanta et aucun) où le prédicteur des quanta a un signal de 0 ou 1.
5. J'exclue les prédicteurs qui ont un signal similaire dans l'échantillon.
6. Enseigner le modèle.
Si, après le point 5, nous effectuons également un contrôle de robustesse sur l'échantillon de test et d'examen, et que nous sélectionnons uniquement les prédicteurs qui ont donné un résultat satisfaisant, les résultats de la formation s'améliorent considérablement. Il s'agit d'une sorte de triche, mais l'intérêt de l'utiliser ou non est une question d'expérimentation. Je pars du principe que plus les indicateurs sont stables longtemps, plus ils ont de chances de le rester.
Si vous avez des questions sur une étape particulière - demandez, j'essaierai de donner plus d'informations.
P.S. Vous pouvez aussi simplement sauvegarder la table quantique échantillonnée, exclure les prédicteurs inefficaces et vous entraîner sur un échantillon régulier - cela améliorera également l'apprentissage.Que sont les tables quantiques ? Les tables de partitionnement d'arbres ? Je n'ai jamais fait une telle chose.
mieux un article avec des exemplesqu'est-ce qu'une table quantique ? une table de partitionnement d'arbre ? je n'en ai jamais fait une
meilleur article avec des exemplesLes tables quantiques partitionnent un prédicteur en bornes/plages, qui sont ensuite impliquées dans l'apprentissage. Oui, j'ai déjà écrit à ce sujet à plusieurs reprises.
Les tables quantiques sont un partitionnement du prédicteur en frontières/plages, qui sont ensuite impliquées dans l'apprentissage. Oui, j'ai déjà écrit à ce sujet à plusieurs reprises.
Vous n'avez encore rien montré d'utile, vous ne faites que blablater. Nerds
Continuez à regarder.
Les tables quantiques sont un partitionnement du prédicteur en limites/plages, qui sont ensuite impliquées dans l'apprentissage. Oui, j'ai déjà écrit sur ce sujet à plusieurs reprises.
La question est de savoir ce que nous quantifions, comment et dans quel but.
Il s'agit de savoir ce que nous quantifions, comment nous le quantifions et dans quel but.
J'ai essayé une fois de quantifier par des tracés de monotonicité d'équité, lorsqu'un prédicteur est utilisé au lieu du temps. Je n'ai rien vu de particulièrement bon.
Ah, je l'ai. Il semble que la fonction de quantification ne soit utilisée que pour accélérer l'apprentissage. Ou est-ce une question difficile ? Je suis juste un partisan de l'approche classique, plus un peu de mes propres perversions.
L'accélération de l'apprentissage est l'un des avantages, mais il y a aussi l'effet de l'agrégation d'états prédicteurs similaires. En gros, je traite une section de partitionnement comme un prédicteur binaire distinct, qui élimine le bruit du prédicteur de base.
Outre l'effet de l'amélioration de l'apprentissage, je peux réduire le nombre d'arbres du modèle qui donnent des résultats similaires, et donc réduire le bruit dans le modèle.
Je suis en train d'expérimenter les tables à cadre rigide, c'est à dire lorsque le partitionnement n'est pas basé sur les données, mais sur des critères donnés, par exemple les niveaux de Fibonacci...
Tout est question de quantum, de comment et dans quel but.
C'est ce que j'ai écrit - que le but est d'identifier un modèle cohérent qui donne un avantage statistique dans un domaine particulier. Et nous quantifions les prédicteurs - n'importe quel prédicteur.
Et la question de savoir "comment" le faire reste ouverte - jusqu'à présent, il n'y a qu'une recherche de tableaux préétablis fondés sur des hypothèses empiriques ou l'algorithme de partitionnement statistique CatBoost.
Dans la figure 3, les "quanta" sont probablement choisis dans la fourchette intermédiaire, qui présente un certain avantage statistique.