library(vtreat)
#designTreatmentsC подходит только для классификации с двумя классами
treatmentsC <- designTreatmentsC(dframe = forexFeatures,
varlist=colnames(forexFeatures)[-ncol(forexFeatures)], #названия колонок с предикторами (тут - все кроме последней колонки)
outcomename = colnames(forexFeatures)[ncol(forexFeatures)], #названия колонок с таргетом (тут - последняя колонка)
outcometarget = "1") #текст или цифра одного из классов#обработка, сортировка результата
treatmensC_scores <- treatmentsC$scoreFrame[order(treatmentsC$scoreFrame$sig),]
treatmensC_scores <- treatmensC_scores[!duplicated(treatmensC_scores$origName),]
treatmensC_scores <- treatmensC_scores[,c("origName","sig")]
treatmensC_scores$is_good <- treatmensC_scores$sig <= 1/nrow(forexFeatures)
treatmensC_scores #вывод на экран таблички результатов. Лучшие предикторы вверху таблицы. Чем оценка sig меньше тем лучше. Желательно (колонка is_good==TRUE) чтоб sig была меньше чем 1/nrow(forexFeatures), всё что больше - плохо
GARCHは、機械学習とは異なり、金融市場では（共和分やポートフォリオと並んで）主流と呼ばれています。
このモデルでは、シックテールやハーストのようなロングメモリーなど、インクリメントの統計的なニュアンスをたくさん考慮に入れています。
例えば、S&P500指数に含まれる全銘柄のGARCHモデルのパラメータを選ぶという出版物があります。
FXにおけるアプリケーションについては、多くの出版物があります。ツールキットは非常によくできています。例えば、rugarchパッケージ。
ここでは、フラクタル・ボラティリティに関するwikipediaの記事です。ルガーシュではなく、ある種のアナログです。
garchは私のtsには難しいです。ボラティリティを予測するというテーマでボラティリティを予測することは、相場そのものを予測することよりもずっと簡単だとしましょう。
そして、https://en.wikipedia.org/wiki/Markov_switching_multifractal のような様々なモデルまであります。
どんな効果があるのか、正しい使い方をするのか、誰か使ったことがあるのか。
まあいいや、ボラティリティは予測されていたことだし、どうする？
私がチェックしたFXのストラテジーを全て試し、ボラティリティで限定しました。しきい値を上げても下げても、何も出てきません。
ボラティリティが低い時に良い案件が多く、高い時に良い案件が多いですね。ボラティリティで判断することはできない。
さて、予測されるボラティリティ（変動率）ですが、これは何を意味するのでしょうか？
私がテストしたすべてのFX戦略は、ボラティリティで制限するようにしました。しきい値を上げても下げても、何も出てきません。
ボラティリティが低い時に良い案件が多く、高い時に良い案件が多いですね。揮発性によって分けることができない。
私は、コリファイの足跡をたどろうと思っています）彼らは、人はボラティリティを予測しなければならないと書きました。
私はコリファイの足跡をたどろうとしている )) 彼らは、人はボラティリティを予測すべきであると書いている
足場は役に立つかな？ 今後、勉強してみようかな？
足場があると何かと便利なので、これから開拓してみようかなと思っていますが、いかがでしょうか？
足場の記事、もうすぐ来るから待っててね。
ボラティリティに関しては、オックスによってはTSのモードを切り替えるために使用することもある。
また、ボラティリティも予測できれば、FXはより早く、タイムラグなく別のモードに切り替えることができます。
そういうことか
こちらもvtreatを使った例です。
一般にこれはデータの前処理であるが、ターゲットに対する各予測器の推定値として使用することができる。このパッケージは予測変数の相互作用を考慮に入れていないので，ターゲットに対して一度に1つの予測変数を推定する必要がある場合のみ，このコードを使用します．
vtreatで実験してみました。
以下は、結果のマトリックスです。
[,1] [,2]
[1,] 5 8.12444537234629e-196
[2,] 1 1.98504271239423e-144
[3,] 7 2.36022454522949e-109
[4,] 11 5.68901830573741e-102
[5,] 4 6.60631002751930e-96
[6,] 10 2.95535252032342e-73
[7,] 3 2.43324301115409e-71
[8,] 9 4.51329770717951e-67
[9,] 6 3.11264518399281e-37
[10,] 2 5.77058632985908e-13
[11,] 12 3.76158923428915e-12
[12,] 8 8.18815163303239e-01
式
うまく選択できない。例えば、1/nrow(df)=2e-4 で sig=5.77e-13 の入力をソートした後、下から3番目のものを見逃してしまうのです。しかも、うるさくてトレーニングが台無しになる。
つまり、選択を数桁厳しくする必要があるのです。そして、それは自動的に行われることが望ましいでしょう。
vtreatで実験してみました。
以下は結果の行列です。
[,1] [,2]
[1,] 5 8.12444537234629e-196
[2,] 1 1.98504271239423e-144
[3,] 7 2.36022454522949e-109
[4,] 11 5.68901830573741e-102
[5,] 4 6.60631002751930e-96
[6,] 10 2.95535252032342e-73
[7,] 3 2.43324301115409e-71
[8,] 9 4.51329770717951e-67
[9,] 6 3.11264518399281e-37
[10,] 2 5.77058632985908e-13
[11,] 12 3.76158923428915e-12
[12,] 8 8.18815163303239e-01
ピックオフがうまくいかない。例えば、1/nrow(df)=2e-4でsig=5.77e-13の入力をソートした後、下から3番目の入力を見逃しています。しかも、うるさくてトレーニングが台無しになる。
つまり、選択を数桁厳しくする必要があるのです。そして、それを自動で行うのが良いのでしょう。
一般に、予測変数の選択には この特定のパッケージを使用します。デメリットがあることは明らかで、特にターゲットとなる1つの予測因子に対する複数の予測因子の交互作用がないことが挙げられます。でも、全体としては、これまでの私の最適化には十分なのですが...。ですから、もし他にデータ前処理のパッケージがあれば、喜んで検討したいのですが...。
一般に、予測変数の選択には、この特定のパッケージを使用します。デメリットがあることは明らかで、特にターゲットに対する複数の予測因子の相互作用がないことです。でも、全体としては今のところ私の最適化には十分なのですが...。ですから、もし他にデータ前処理のパッケージがあれば、ぜひ検討したいのですが...。
さて、マイケルさん、熱狂から立ち直ったようですが、そろそろ狂信的にならずに、感覚的にTSを評価するようになりませんか？:)