L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2121
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
L'ho fatto, ma non ha funzionato.
Questo è strano... OK, darò un'altra occhiata a questo argomento - vi farò sapere più tardi.
che non è elencato nella documentazione ufficiale.
Maxim, puoi confrontare dove la velocità di apprendimento è più veloce, in python o nella versione console di CatBoost?
Strano... OK, darò un'altra occhiata a questo thread - riferirò più tardi.
Prima ha parlato per ricordo e si è rivelato sbagliato.
Ho appena controllato poco fa con la convalida incrociata. Il tempo dà ancora l'1-2% di aumento sui nuovi dati. Mentre la prevalenza totale delle previsioni di successo su quelle senza successo è di circa il 5% a TP=SL. Cioè dal 10 al 30% di contributo al successo viene dal tempo.
Tuttavia, questo è un test su un pezzo di storia di 2 mesi. Su un altro pezzo di storia, le cose possono cambiare.Alimento il tempo come coseno e seno. Questo è stato discusso qui https://www.mql5.com/ru/forum/212376#comment_5983502
Così come 0...5(giorno della settimana) o 0...23 (ora) o 0...59 (minuto) può anche essere alimentato, ma come variabile categorica.
Seno e coseno sono già numerici, qualsiasi algoritmo accetterà.
c'è una tendenza relativamente nuova chiamata apprendimento attivo. Può auto-campionare i dati nel miglior modo possibile. Sembra essere adatto al mio approccio (campionamento casuale). Non ci sono ancora entrato.
https://libact.readthedocs.io/en/latest/overview.html
https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99
Man mano che andiamo avanti, le frequenze ed eventualmente le fasi fluttuano... Le ampiezze tengono...
Ecco la previsione per 500 punti del modello montato sulla storia di 10k di 4 armoniche
Possiamo vedere che la previsione è accurata per tutti i 500 punti ma le frequenze sono fluttuanti e utilizzano un algoritmo incomprensibile
E questo è solo un esempio illustrativo, a volte è anche peggio.
Avete provato con gli incrementi?
"Una delle proprietà utili di una serie di incrementi è la maggiore stabilità dello spettro rispetto al processo originale. "Questa è la scrittura di Goodman.
Alimento il tempo come coseno e seno. Questo è stato discusso qui https://www.mql5.com/ru/forum/212376#comment_5983502
Così come 0...5(giorno della settimana) o 0...23 (ora) o 0...59 (minuto) può anche essere alimentato, ma come variabile categorica.
Seno e coseno sono già numerici, qualsiasi algoritmo accetterà.
Puoi postare la funzione che converte il tempo in seno/coseno? Proverei anche questo metodo. Nell'articolo che ho pubblicato, il numero dell'ora è risultato essere un predittore significativo. Mi chiedo se questo metodo è adatto ai modelli di legno o più alle reti neurali.
Avete provato con gli incrementi?
"Una delle proprietà utili di una serie di incrementi è la maggiore stabilità dello spettro rispetto al processo originale. "Questa è la scrittura di Goodman.
no