이제 최적화된 매개변수에 분포에 대한 신호의 종속성을 추가하고 싶습니다. 처음에는 이 작업을 수행했습니다.
첨도가 어떤 값보다 높으면(최적화될 수 있음) 평평한 상황이 관찰되고 동일한 확률로 구매/판매를 가정하는 것이 가능합니다(그런 다음 잘못된 모든 것을 수정)
비대칭을 따라 더 나아가 어떤 방향으로든 존재하면 신호가 매수 또는 매도될 확률이 이동합니다.
글쎄, 이것은 원시적이지만 이와 같은 것을 옵티마이저에서 대상을 선택하는 데 사용할 수 있습니다.
메트릭에서 얻어야 하는 것은 테스트 세트의 분류 오류뿐입니다(그리고 훈련 세트에서 학습). 옵티마이저는 하이퍼파라미터를 반복하고 오류가 가장 작은 모델을 선택합니다 . 여기서 해석할 수 없는 것은? 테스트 데이터의 오류를 보고 그러한 모델이 일반화할 수 있는지 여부를 아는 것으로 충분합니다.
Decision trees are the fundamental building block of gradient boosting machines and Random Forests(tm), probably the two most popular machine learning models for structured data. Visualizing decision trees is a tremendous aid when learning how these models work and when interpreting models. Unfortunately, current visualization packages are rudimentary and not immediately helpful to the novice. For example, we couldn't find a library that visualizes how decision nodes split up the feature space. So, we've created a general package (part of the animl library) for scikit-learn decision tree visualization and model interpretation.
This post will explore how to train hidden markov models in R. The previous posts in this series detailed the maths that power the HMM, fortunately all of this has been implemented for us in the RHmm package. HMMs can be used in two ways for regime detection, the first is to use a single HMM where each state in the HMM is considered a “regime”...
증분이 아닌 가격을 책정하는 이유는 무엇입니까?
증분은 가능합니다. 얼마나 더 나은지 모르겠습니다. 그리고 샘플의 길이는 다양할 수 있습니다.
거기에 해석 가능성에 대해 추가했습니다 .. 그러면 해석할 것이 무엇입니까? 하나의 메트릭안녕 맥심
여기에서 논의 중인 새로운 기사가 있습니까?
링크를 제공할 수 있다면?
안녕하세요, 아직 게시되지 않았으며 검토를 기다리고 있습니다.
알겠습니다. 원하는 경우 코드를 알려주시면 제가 볼 수 있습니다.
내가 너무 많은 버전을 가지고 있기 때문에 기사를 기다리는 것이 좋습니다.
그리고 중독성도 있고...
반환에 대해 "HMM"(숨겨진 마르코프 모델)을 훈련했으며, 교사 없이 가르친 10개 상태와 그녀 자신이 다른 분포로 나눈 10개 상태로 나뉩니다.
상태 분포
여기에서 수익률을 주별로 그룹화했습니다. 각 행은 시장의 별도 상태입니다.
일부 상태(1,4,6,8,9)에서는 관찰이 너무 적어 전혀 감지할 수 없습니다.
그리고 이제 나는 시리즈를 복원하려고 노력할 것입니다. 누적 합계를 만들기 위해 갑자기 일부 주에는 일종의 추세가 있습니다.
누적 합계를 만들었습니다
상태 5와 7은 안정적인 구조를 가지고 있으며 5는 만, 7은 마을입니다.
글쎄, 당신은 마침내 올바른 길을 가고 있습니다 :)
이 모든 쓰레기를 기본 열거로 무차별 대입하고 최상의 모델을 선택하는 것이 남아 있습니다.
논리적인 결론과 훌륭한 추론 방법은 결코 수익성 있는 계획을 선택하지 않으며 변수가 너무 많습니다.글쎄, 당신은 마침내 올바른 길을 가고 있습니다 :)
이 모든 쓰레기를 기본 열거로 무차별 대입하고 최상의 모델을 선택하는 것이 남아 있습니다.
논리적인 결론과 훌륭한 추론 방법은 결코 수익성 있는 계획을 선택하지 않으며 변수가 너무 많습니다.그냥 농담입니다. 가장 자주 변경되는 것은 이러한 상태 5와 7입니다. 시간이 오래 걸리지 않고 서로 전환하는 것도 농담입니다))
상태 전이 그래프
그리고 이것을 거래하면 이런 모습입니다. 빨간색 토 및 파란색 구매
이제 최적화된 매개변수에 분포에 대한 신호의 종속성을 추가하고 싶습니다. 처음에는 이 작업을 수행했습니다.
첨도가 어떤 값보다 높으면(최적화될 수 있음) 평평한 상황이 관찰되고 동일한 확률로 구매/판매를 가정하는 것이 가능합니다(그런 다음 잘못된 모든 것을 수정)
비대칭을 따라 더 나아가 어떤 방향으로든 존재하면 신호가 매수 또는 매도될 확률이 이동합니다.
글쎄, 이것은 원시적이지만 이와 같은 것을 옵티마이저에서 대상을 선택하는 데 사용할 수 있습니다.
메트릭에서 얻어야 하는 것은 테스트 세트의 분류 오류뿐입니다(그리고 훈련 세트에서 학습). 옵티마이저는 하이퍼파라미터를 반복하고 오류가 가장 작은 모델을 선택합니다 . 여기서 해석할 수 없는 것은? 테스트 데이터의 오류를 보고 그러한 모델이 일반화할 수 있는지 여부를 아는 것으로 충분합니다.
그런 쓰레기에 대한 작업의 예, 방금 한
문제는 결과로 선택된 모델(실제로 거래될)의 해석 가능성입니다.
그냥 농담입니다. 가장 자주 변경되는 것은 이러한 상태 5와 7입니다. 시간이 오래 걸리지 않고 서로 전환하는 것도 농담입니다))
상태 전이 그래프
그리고 이것을 거래하면 이런 모습입니다. 레드 토 및 블루 구매
음, RL을 통해 모든 작업을 수행합니다. Markov 모델은 다음과 같이 근사해야 합니다.
문제는 결과로 선택된 모델(실제로 거래될)의 해석 가능성입니다.
귀납적 모델은 일반적으로 유전자 프로그래밍, 신경망이 부분으로 다시 분해하는 데 오랜 시간이 걸린다는 것으로 해석되지 않습니다.
python과 R에는 해당 패키지가 있을 수 있습니다.
나무 에 대한 예음, RL을 통해 모든 작업을 수행합니다. Markov 모델은 다음과 같이 근사해야 합니다.
왜 근사합니까? 그것은 이미 Viterbi 알고리즘에 의해 10개의 상태로 나뉘어져 있습니다.
이제 반품을 하기 전에 가격을 어떻게든 대략적으로 추정해야 한다고 생각합니다. 아니면 반품을 하지 않습니까? 아직 생각해야 한다
그건 그렇고, 누군가 "smm"를 가지고 놀고 싶다면 여기 R의 코드와 예제가 포함된 기사가 있습니다.
http://gekkoquant.com/2014/09/07/hidden-markov-models-examples-in-r-part-3-of-4/