Discussão do artigo "Reamostragem avançada e seleção de modelos CatBoost pelo método de força bruta" - página 13
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Sim, ele é.
Ele diz
#include <MT4Orders.mqh>
#include <Trade\AccountInfo.mqh>
#include <cat_model.mqh>
e o mais importante é que, ao carregar o mqh diretamente do notebook do jupyter, tudo funciona bem, fiquei surpreso com isso
Entendo... bem, algo está errado com a transferência para o colab... Ainda não dei uma olhada, estou ocupado com outro artigo.)
Fiz uma gravação da minha tela, então no colab carrego o cat_model.mqh
fiz uma gravação da minha tela, então, no colab, carrego o cat_model.mqh.
Ao salvar o arquivo no computador e no colab, as configurações de look_back e a lista com MAs coincidem? Devem ser as mesmas, caso contrário, o número errado de recursos será salvo no modelo e haverá um erro de sair da matriz, como você fez.
Sim, é uma correspondência perfeita.
O problema é que, sem a função get_prices, o registro apresenta um erro, talvez o problema esteja no arquivo de teste?
o número de dias lá é 2 vezes maior em comparação com o de teste, o de teste tem os últimos 6 meses e o de treinamento tem apenas os últimos 3 meses.
Sim, é uma combinação perfeita.
O problema é que sem a função get_prices o registro falha, talvez o problema esteja no arquivo de teste?
O número de dias é 2 vezes maior do que no arquivo de teste, o arquivo de teste tem os últimos 6 meses, mas o trayning só tem os últimos 3 meses.
Não, acho que é o analisador. Em algum lugar, o número de recursos é definido incorretamente ao salvar o modelo. Ou seja, ele aprende um número, mas o analisador salva outro. Vamos descobrir isso mais tarde. Ainda não tenho tempo para resolver isso.
OK)
Resolvi o problema com o carregamento de dados no colab pesquisando todas as variantes.
É necessário escrever pr = pd.read_csv('file.csv', sep=';') diretamente na função get_prices e, em seguida, retornar esse valor return pr.dropna()
Aparafusado em uma floresta aleatória. Começa a funcionar de forma estável com 10.000 amostras e 100 árvores.
Aparafusado em uma floresta aleatória. Começa a funcionar de forma estável com 10.000 amostras e 100 árvores.
É uma abordagem curiosa. Para equilibrar as classes. Poderia ser usada para nossos propósitos. Apenas chamou minha atenção.
https://towardsdatascience.com/augmenting-categorical-datasets-with-synthetic-data-for-machine-learning-a25095d6d7c8
Karoch Não sei, talvez eu tenha um gmm errado ))) Mas não vejo diferença entre com ele e sem ele, em minha opinião tudo é decidido pelo alvo e nada mais....
Tenho 60 mil dados no total.
Pego os primeiros 10 mil e seleciono aleatoriamente 500 pontos deles.
Treino o modelo com eles imediatamente ou treino o gmm e, em seguida, treino o modelo.
Eu o testo nos 50.000 restantes
E mesmo da maneira usual, você pode encontrar modelos como o gmm e, com a mesma frequência, eles são genetisados.
Por exemplo
modelo sem gmm treinado em 500 pontos, teste em 50k.
=================================================================================================
Vi uma coisa interessante para se pensar....
Há um ponto de vista de que o mercado deve ser dividido em estados e negociar em cada estado de sua estratégia, mas todas as tentativas conhecidas por mim não tiveram êxito, ou o estado não é visto ou o modelo negocia mal mesmo em um estado "mais ou menos um".
Mas, com essa abordagem, você pode ver claramente de qual mercado o modelo "gosta". e de qual ele não gosta.
Provavelmente por causa dos retornos do mashka como sinais, o modelo funciona melhor em flat.