L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 84
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
Je continue également à leur dire que prévoir le marché pour 5 ans n'est pas réaliste...
Il est inutile de parler et d'exhorter. De nombreuses personnes présentent des distorsions cognitives parmi lesquelles on trouve également des filtres d'information, comme par exemple : si une information ne correspond pas à la vision du monde, elle n'est pas perçue du tout ou elle provoque une réaction malveillante.
En d'autres termes, la plupart des résidents ici ne prêteront pas du tout attention à vos conversations, ou bien ils commenceront à râler et à vous traiter de troll.
Mais là n'est pas la question. Le fait est que dans jPrediction, depuis la version 7, la possibilité d'évaluer l'importance des prédicteurs est apparue. Pour ce faire, après avoir créé (entraîné) un nouveau modèle ou chargé un modèle enregistré précédemment à partir d'un fichier, vous devez appeler l'élément de menu "View a significant of predictors" ou appuyer sur la touche "hot" F5 :
Et vous pouvez regarder un graphique de l'importance des prédicteurs :
Le meilleur prédicteur est le meilleur - le prédicteur le plus significatif. Si vous retirez la colonne "Compétitivité" de cet échantillon, vous obtenez le message "Garbage in, Garbage out" après la formation.
Le pire prédicteur est le pire - le prédicteur le moins significatif. Si nous supprimons la colonne "Risque opérationnel" de l'échantillon, la capacité de généralisation ne se détériorera pas.
Les autres prédicteurs marqués "-" dans Description sont d'importance moyenne. Si on les retire de cet échantillon, la capacité de généralisation sera nettement dégradée.
Il est inutile de parler et d'exhorter. De nombreuses personnes présentent des distorsions cognitives, parmi lesquelles on trouve également des filtres d'information, tels que : si l'information ne correspond pas à la vision du monde, elle n'est pas perçue du tout, ou bien elle provoque une réaction malveillante.
En d'autres termes, la plupart des résidents ici ne prêteront pas du tout attention à vos conversations, ou bien ils commenceront à râler et à vous traiter de troll.
Mais là n'est pas la question. Le fait est que dans jPrediction, depuis la version 7, la possibilité d'évaluer l'importance des prédicteurs est apparue. Pour ce faire, après avoir créé (formé) un nouveau modèle ou chargé un modèle enregistré précédemment à partir d'un fichier, vous devez appeler l'élément de menu "View a significant of predictors" ou appuyer sur le raccourci clavier F5 :
Et vous pouvez regarder un graphique de l'importance des prédicteurs :
Le meilleur prédicteur est le meilleur - le prédicteur le plus significatif. Si vous retirez la colonne "Compétitivité" de cet échantillon, vous obtenez le message "Garbage in, Garbage out" après la formation.
Le pire prédicteur est le pire - le prédicteur le moins significatif. Si la colonne "Risque d'exploitation" est supprimée de cet échantillon, la généralisabilité ne se détériorera pas.
Les autres prédicteurs marqués "-" dans Description sont d'importance moyenne. Si on les retire de cet échantillon, la capacité de généralisation sera nettement dégradée.
Il est inutile de parler et d'exhorter. De nombreuses personnes présentent des distorsions cognitives, parmi lesquelles on trouve également des filtres d'information, tels que : si l'information ne correspond pas à la vision du monde, elle n'est pas perçue du tout, ou bien elle provoque une réaction de dépit.
C'est-à-dire que la plupart des habitants d'ici ne prêteront pas du tout attention à vos conversations, ou bien ils commenceront à râler et à vous traiter de troll.
Mais là n'est pas la question. Le fait est que dans jPrediction, depuis la version 7, la possibilité d'évaluer l'importance des prédicteurs est apparue. Pour ce faire, après avoir créé (formé) un nouveau modèle ou chargé un modèle enregistré précédemment à partir d'un fichier, vous devez appeler l'élément de menu "View a significant of predictors" ou appuyer sur la touche "hot" F5 :
Et vous pouvez regarder un graphique de l'importance des prédicteurs :
Le meilleur prédicteur est le meilleur - le prédicteur le plus significatif. Si vous retirez la colonne "Compétitivité" de cet échantillon, vous obtenez le message "Garbage in, Garbage out" après la formation.
Le pire prédicteur est le pire - le prédicteur le moins significatif. Si la colonne "Risque d'exploitation" est supprimée de cet échantillon, la généralisabilité ne se détériorera pas.
Les autres prédicteurs marqués "-" dans la description sont d'importance moyenne. Si on les retire de cet échantillon, la capacité de généralisation sera nettement dégradée.
Comment la signification des prédicteurs est-elle calculée ?
En très bref (mais pas très clair), la signification du prédicteur est calculée en pondérant les coefficients obtenus après la formation.
Pour plus de détails, voir l'algorithme de calcul de la signification des prédicteurs dans le code source de jPrediction. Ou alors je devrai écrire un article entier pour l'expliquer plus clairement.
Merci ! !! Ajout extrêmement utile. Continuation de la filature.... ....
L'essentiel est que vous pouvez désormais calculer très rapidement les prédicteurs de faible valeur et les remplacer par d'autres prédicteurs. Après les avoir remplacés, il est impératif de voir si la généralisabilité a augmenté ou non. S'il n'a pas augmenté, alors le changement a été effectué de manière incorrecte, c'est-à-dire qu'un prédicteur plus significatif a été remplacé par un prédicteur moins significatif.
Hier, j'ai expérimenté les citations. J'ai trouvé rapidement les oscillateurs TA les plus significatifs. Mais il s'est avéré qu'il n'y en avait que 5. Et plus loin sur la généralisation la capacité ne se développe pas, je ne me soucie pas de ce que vous mettez dedans. Il s'avère donc que quoi que vous regardiez à travers les indicateurs TA et les oscillateurs, mais en fait ils sont tous basés sur les mêmes données - un petit segment de l'historique précédent (plusieurs barres), bien qu'ils traitent ces données un peu différemment. Tous les indicateurs et oscillateurs TA sont les mêmes "œufs", mais vus de côté. Peu importe comment vous mélangez le jeu, il contient les mêmes cartes. Tous les indices et oscillateurs sont trop corrélés entre eux et très peu avec l'avenir.
Afin d'augmenter la capacité de généralisation, il est nécessaire de prendre d'autres données quelque part qui influencent les citations, mais qui ne sont pas dérivées des citations. C'est-à-dire que nous avons besoin de sources d'information supplémentaires. Où puis-je les trouver ? Bien sûr, nous pouvons essayer d'utiliser les prédicteurs suivants : les phases de la lune, la quantité de taches solaires, les résultats des matchs de l'équipe de football de la rue, le niveau d'eau de la rivière Wonchka ou la quantité de puces par centimètre carré du chien Tuzyk. Mais sont-ils susceptibles d'être significatifs ?
L'essentiel est que vous pouvez désormais calculer très rapidement les prédicteurs de faible valeur et les remplacer par d'autres prédicteurs. Après les avoir remplacés, il est impératif de voir si la généralisabilité a augmenté ou non. S'il n'a pas augmenté, alors la substitution n'a pas été faite correctement, le prédicteur le plus significatif a été remplacé par un autre moins significatif.
Hier, j'ai expérimenté les citations. J'ai trouvé rapidement les oscillateurs TA les plus significatifs. Mais il n'y en avait que 5. Et plus loin, la capacité de généralisation ne se développe pas, peu importe ce que vous y mettez. Il s'avère donc que quoi que vous regardiez à travers les indicateurs TA et les oscillateurs, mais en fait ils sont tous basés sur les mêmes données - un petit segment de l'historique précédent (plusieurs barres), bien qu'ils traitent ces données un peu différemment. Tous les indicateurs et oscillateurs TA sont les mêmes "œufs", mais vus de côté. Peu importe comment vous mélangez le jeu, il contient les mêmes cartes. Tous les indices et oscillateurs sont trop corrélés entre eux et très peu avec l'avenir.
Afin d'augmenter la capacité de généralisation, il est nécessaire de prendre d'autres données quelque part qui influencent les citations, mais qui ne sont pas dérivées des citations. C'est-à-dire que nous avons besoin de sources d'information supplémentaires. Où puis-je les trouver ? Bien sûr, nous pouvons essayer d'utiliser les prédicteurs suivants : les phases de la lune, la quantité de taches solaires, les résultats des matchs de l'équipe de football de la rue, le niveau d'eau de la rivière Wonchka ou la quantité de puces par centimètre carré du chien Tuzyk. Mais il est peu probable qu'ils soient significatifs ?
Quant à l'astrologie, je ne rejetterais pas une pratique vieille de plusieurs milliers d'années. En tant que fan, je peux dire que la perte d'une équipe favorite a un impact négatif sur la productivité. Si la ville survolée est une monocité avec un monopoleur de ressources comme Nornickel, la production peut chuter, comme l'indique indirectement la baisse du niveau d'eau de la rivière Vonyuchka.
Il est impossible de deviner quel papillon, où et quand, provoquera un tsunami d'un battement d'ailes.
L'essentiel est que vous pouvez désormais calculer très rapidement les prédicteurs de faible valeur et les remplacer par d'autres prédicteurs. Après les avoir remplacés, il est impératif de voir si la généralisabilité a augmenté ou non. S'il n'a pas augmenté, alors la substitution a été effectuée de manière incorrecte, c'est-à-dire que le prédicteur le plus significatif a été remplacé par un prédicteur moins significatif.
Hier, j'ai expérimenté les citations. J'ai trouvé rapidement les oscillateurs TA les plus significatifs. Mais il n'y en avait que 5. Et si la capacité de généralisation ne se développe pas, je me fiche de ce que vous y mettez. Il s'avère donc que quoi que vous regardiez à travers les indicateurs TA et les oscillateurs, mais en fait ils sont tous basés sur les mêmes données - un petit segment de l'historique précédent (plusieurs barres), bien qu'ils traitent ces données un peu différemment. Tous les indicateurs et oscillateurs TA sont les mêmes "œufs", mais vus de côté. Peu importe comment vous mélangez le jeu, il contient les mêmes cartes. Tous les indices et oscillateurs sont trop corrélés entre eux et très peu avec l'avenir.
Afin d'augmenter la capacité de généralisation, il est nécessaire de prendre d'autres données quelque part qui influencent les citations, mais qui ne sont pas dérivées des citations. C'est-à-dire que nous avons besoin de sources d'information supplémentaires. Où puis-je les trouver ? Bien sûr, nous pouvons essayer d'utiliser les prédicteurs suivants : les phases de la lune, la quantité de taches solaires, les résultats des matchs de l'équipe de football de la rue, le niveau d'eau de la rivière Wonchka ou la quantité de puces par centimètre carré du chien Tuzyk. Mais il est peu probable qu'ils soient significatifs ?
Essayez le delta cumulé. Distribution cumulée par volumes réels..... Système Zscore/ Ye cjjndtcndtyyj dc` 'nj c hfpys[ gfh ? vj;yj lf;t 'rpjnbxtcrb[ ? nfv rjhhtkzwbz ljk;yf jncencndjdfnm ^-)
Peut-être que quelqu'un sera intéressé, j'ai trouvé un paquet qui peut simuler le trading et construire des systèmes de trading appelé quantstrat.
http://www.rinfinance.com/agenda/2013/workshop/Humme+Peterson.pdf