Questo è il tipo di segno che ho ottenuto. Correlare perché la base è costituita da incrementi di ordini di grandezza vicini
esempio di formula: prezzo - MA(n) * std(n) * coef, dove MA e std - media mobile e deviazione standard di ordine arbitrario e coefficiente di livellamento, più grande - più stazionaria è la serie. In questo caso, è 50000.
Per qualche motivo il mio MO mostra una stabilità migliore rispetto a quella degli incrementi
con coef 20.
Risulta essere qualcosa di simile alla differenza frazionaria, ma conta istantaneamente.
Con SR ci vuole più tempo per codificare e pianificare, quindi per semplicità, velocità e chiarezza l'ho semplificato...
Invece di creare una formula in tempo reale, creo un "risultato della formula" - una curva - e lo utilizzo come obiettivo per il modello.
Creo una funzione di fitness che massimizza la correlazione tra il prezzo e l'output del modello, ma l'output del modello ha una limitazione: può essere compreso solo tra -1 e 1.
In altre parole, otteniamo una serie che dovrebbe essere correlata al prezzo, ma "bloccata" entro i limiti dei valori statsionari. Se si ha bisogno di una vera statsionarietà secondo Dickie Fuller e così via, è sufficiente modificare la funzione di fitness in base alle proprie esigenze.
creare i dati e addestrare il modello con la genetica
par(mar=c(2,2,2,2))
# для простоты Создаю цену
P <- cumsum(rnorm(300))
plot(P,t="l")
hankel <- function(x,n) embed(x, n)[ ,n:1]
# Создаю данные для обучения Х ,скользящее окно виде матрицы
X <- t(apply(hankel(P,11),1,function(x) cumsum(diff(x))))
P <- tail(P,nrow(X))
# Делаю разметку индексов для трейн и тест и валидации
tr <- 1:100
ts <- 1:200
al <- 1:nrow(X)
library(randomForest)
# Создаю фитнес сункцию , подбираем генетикой для фореста такой таргет чтобы
# на выходе был максимально коррелированый с ценой ряд
fit <- function(Y){
set.seed(123)
rf <- predict( randomForest(Y~.,X[tr,],ntree=100) , X[ts,])
return( cor(rf, P[ts]) )}
library(GA)
GA <- ga(type = "real-valued",
fitness = fit,
lower = rep(-1,100),
upper = rep(1,100),
popSize = 100,
maxiter = 100,
run = 40)
plot(GA)
GA_Y <- tail(GA@solution,1)[1,]
testare il modello.
# Получаем нашу модель которая делает то что нужно
set.seed(123)
rf <- predict( randomForest(GA_Y~.,X[tr,],ntree=100) , X[al,])
layout(1:2)
plot(P,t="l",main="original price") ; abline(v=c(100,200),lty=2,col=c(3,4))
plot(rf,t="l",main="model out") ; abline(v=c(100,200),lty=2,col=c(3,4))
abline(h=0,col=3,lty=3)
layout(1:2)
plot(P,t="l",main="original price") ; abline(v=c(100,200),lty=2,col=c(3,4))
plot(cumsum(rf),t="l",main="model out cumsum") ; abline(v=c(100,200),lty=2,col=c(3,4))
Le linee verticali rappresentano la separazione tra addestramento, test e validazione.
Come si può vedere nell'immagine, il modello ha imparato a prendere in input il prezzo e l'output è una serie statistica correlata al prezzo.
Per maggiore chiarezza possiamo fare una somma cumulativa dell'output del modello.
come questo )))) Non è necessario inventare nulla, tutto può essere fatto automaticamente.
Con SR è necessario più tempo per il codice e la pianificazione, quindi per semplicità, velocità e chiarezza l'ho reso più semplice.
Invece di creare una formula in tempo reale, creo un "risultato della formula", una curva, e poi la uso come obiettivo per il modello.
Creo una funzione di fitness che massimizza la correlazione tra il prezzo e l'output del modello, ma l'output del modello ha una limitazione: può essere solo compreso tra -1 e 1.
In altre parole, otteniamo una serie che dovrebbe essere correlata al prezzo, ma "bloccata" entro i limiti dei valori statsionari. Se abbiamo bisogno della vera statsionarietà secondo Dickie Fuller e così via, cambiamo semplicemente la funzione di fitness in base a ciò che ci serve.
creare dati e addestrare il modello con la genetica
convalidare il modello
Le linee verticali rappresentano la separazione tra addestramento, test e validazione.
Come si può vedere nell'immagine, il modello ha imparato a prendere in input il prezzo e l'output è una serie statistica correlata al prezzo.
Per una maggiore chiarezza possiamo fare una somma cumulativa dell'output del modello
come questo )))) E non è necessario pensare a nulla, tutto può essere fatto dalla macchina.
Interessante, proverò a pensarci più tardi, oggi è un bloody mary, è difficile pensare.
Consenti l'uso dei cookie per accedere al sito MQL5.com.
Abilita le impostazioni necessarie nel browser, altrimenti non sarà possibile accedere.
Hai effettuato l'accesso. L'autenticazione a due fattori è stata disattivata. Configurala di nuovo e scansiona un nuovo codice QR, oppure continua con l'autenticazione a due fattori disattivata.
Combinato con altri metodi, potrebbe fare qualcosa.
Cosa c'è?
Questo è il tipo di segno che ho ottenuto. Correlare perché la base è costituita da incrementi di ordini di grandezza vicini
esempio di formula: prezzo - MA(n) * std(n) * coef, dove MA e std - media mobile e deviazione standard di ordine arbitrario e coefficiente di livellamento, più grande - più stazionaria è la serie. In questo caso, è 50000.
Per qualche motivo il mio MO mostra una stabilità migliore rispetto a quella degli incrementi
con coef 20.
Risulta essere qualcosa di simile alla differenza frazionaria, ma conta istantaneamente.
Forse qualcuno può pensare ad altre opzioni
Questo è il tipo di segno che ho ottenuto. Correlato, perché la base è costituita da incrementi di ordini di grandezza vicini.
Cosa sono queste curve in generale?
Maxim Dmitrievsky #:
forse qualcuno troverà altre opzioni
Ecco, la regressione simbolica ci viene in soccorso
Perché queste palle curve?
Beh, la regressione simbolica ci viene in soccorso.
La formula è scritta
Ti propongo qualcosa, ti mostro un esempio più semplice senza SR.
Metterò insieme qualcosa e vi mostrerò un esempio più semplice senza SR.
Con SR ci vuole più tempo per codificare e pianificare, quindi per semplicità, velocità e chiarezza l'ho semplificato...
Invece di creare una formula in tempo reale, creo un "risultato della formula" - una curva - e lo utilizzo come obiettivo per il modello.
Creo una funzione di fitness che massimizza la correlazione tra il prezzo e l'output del modello, ma l'output del modello ha una limitazione: può essere compreso solo tra -1 e 1.
In altre parole, otteniamo una serie che dovrebbe essere correlata al prezzo, ma "bloccata" entro i limiti dei valori statsionari. Se si ha bisogno di una vera statsionarietà secondo Dickie Fuller e così via, è sufficiente modificare la funzione di fitness in base alle proprie esigenze.
creare i dati e addestrare il modello con la genetica
testare il modello.
Le linee verticali rappresentano la separazione tra addestramento, test e validazione.
Come si può vedere nell'immagine, il modello ha imparato a prendere in input il prezzo e l'output è una serie statistica correlata al prezzo.
Per maggiore chiarezza possiamo fare una somma cumulativa dell'output del modello.
come questo )))) Non è necessario inventare nulla, tutto può essere fatto automaticamente.
Con SR è necessario più tempo per il codice e la pianificazione, quindi per semplicità, velocità e chiarezza l'ho reso più semplice.
Invece di creare una formula in tempo reale, creo un "risultato della formula", una curva, e poi la uso come obiettivo per il modello.
Creo una funzione di fitness che massimizza la correlazione tra il prezzo e l'output del modello, ma l'output del modello ha una limitazione: può essere solo compreso tra -1 e 1.
In altre parole, otteniamo una serie che dovrebbe essere correlata al prezzo, ma "bloccata" entro i limiti dei valori statsionari. Se abbiamo bisogno della vera statsionarietà secondo Dickie Fuller e così via, cambiamo semplicemente la funzione di fitness in base a ciò che ci serve.
creare dati e addestrare il modello con la genetica
convalidare il modello
Le linee verticali rappresentano la separazione tra addestramento, test e validazione.
Come si può vedere nell'immagine, il modello ha imparato a prendere in input il prezzo e l'output è una serie statistica correlata al prezzo.
Per una maggiore chiarezza possiamo fare una somma cumulativa dell'output del modello
come questo )))) E non è necessario pensare a nulla, tutto può essere fatto dalla macchina.
Interessante, proverò a pensarci più tardi, oggi abbiamo un Bloody Mary, è difficile pensare.
Mi chiedo quante righe ci vogliano in python.....
probabilmente migliaia in µl))))))))))))))))))))))))))))