Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 3336
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
Os rótulos (professor, variável-alvo) NÃO podem ser lixo por definição.
Sanych, não se envergonhe
Você ainda nem começou a estudar para expressar sua opinião.
Outro fato engraçado: eu estava pensando que, aparentemente, isso é apenas o retreinamento, e decidi ver em quais índices ocorreu a mudança de classe - pensei que, perto do final, isso é apenas uma boa ilustração do retreinamento.
De fato, o resultado foi o seguinte
Na amostra de teste
Acontece que essas primeiras mil planilhas (na próxima sequência de adição ao modelo) são, em sua maioria, instáveis!
Surpreso.
Na amostra do exame
Outro fato interessante: eu estava pensando que, aparentemente, isso é apenas o retreinamento, e decidi ver em quais índices ocorreu a mudança de classe - achei que estava perto do final e que isso é apenas uma boa ilustração do retreinamento.
Na verdade, o resultado foi o seguinte
Na amostra de teste
Acontece que são as primeiras mil folhas (na próxima sequência de adição ao modelo) que são mais instáveis!
Surpreso.
Em uma amostra
Para todas as outras árvores, o professor é o erro de previsão, ou seja, (Y - Pred). E mesmo com eta = 0,1... 0,001, a influência das folhas dessas árvores é insignificante, elas apenas corrigem. O que você demonstrou (sua insignificância).
GPT para ensinar)
Ok, vamos adicionar o indicador Envelopes à nossa análise. O indicador Envelopes representa linhas acima e abaixo de uma média móvel. Geralmente, elas estão a uma distância percentual fixa dessa média móvel.
Envelopes para o último mês (novembro de 2023):
Tendência geral usando RSI, Bandas de Bollinger e Envelopes:
Além disso, considere que os sinais de diferentes indicadores podem ser conflitantes e é importante analisá-los em conjunto.
Vamos continuar com os cálculos e a análise.
Envelopes do último mês (novembro de 2023):
Tendência geral usando RSI, Bandas de Bollinger e Envelopes:
Além disso, vamos levar em conta que os sinais de diferentes indicadores podem ser conflitantes, e é importante analisá-los em conjunto.
Vamos continuar com os cálculos e a análise.
Você está contando o boosting, não é?
Tem toda a razão, estamos falando do CatBoost!
Lá, somente a primeira árvore é treinada pelos rótulos do professor inicial.
Para todas as outras árvores, o professor é o erro de previsão, ou seja, (Y - Pred).
De fato, é isso que a teoria sugere.
Sim, também com o coeficiente eta = 0,1... 0,001
O coeficiente da "taxa de aprendizado", pelo menos no CatBoost, é fixo para todas as árvores.
A influência das folhas dessas árvores é insignificante, elas apenas corrigem. Foi isso que você mostrou (a insignificância).
Você pode realmente explicar como os coeficientes das folhas são organizados no CatBoost?
Há pontos que não entendo bem.
No entanto, demonstrei uma mudança de "classe" nas folhas, ou seja, na verdade 40% das folhas pareciam puxar os totais de forma errada nos novos dados.
Você pode explicar como os coeficientes são organizados nas folhas do CatBoost?
Gostaria que eu vasculhasse o código do CatBoost e lhe desse a resposta exata? Eu só procuro o que me interessa. Não uso o CatBoost.
Tutorial e código simples de boost aqui https://habr.com/ru/companies/vk/articles/438562/É a primeira vez que ouço falar em coeficientes de folha - o que são?
Relato que em um teste de amostra separado - 7467, e no exame - 7177, mas não há um pequeno número de folhas sem nenhuma ativação - não contei de uma vez.
Esta é a distribuição das folhas que mudaram de classe por seu valor para a amostra de teste
e este é o exame.
E esta é a divisão em classes - há três delas, a terceira é "-1" - sem ativação.
Para o trem de amostra
Para a amostra de teste
Para amostra de exame
Em geral, podemos ver que os pesos das folhas não correspondem mais à lógica da classe - abaixo está o gráfico da amostra de teste - não há um vetor claro.
Em geral, esse método se aproxima de qualquer coisa, mas não garante a qualidade dos preditores.
Em geral, presumo que as "barras" distintas no gráfico acima são folhas muito semelhantes por local e frequência de ativação.
É difícil discutir o que você não sabe. Portanto, só posso ficar feliz com seu sucesso. Se eu tivesse um método assim, eu o usaria :)
Meu método ainda não apresenta resultados tão qualitativos, mas é bastante semelhante.
Você já se perguntou por que isso acontece?
Velocidade de teste do modelo exportado para o código ingênuo (catbust)
E exportado para o ONNX
Os componentes internos das duas versões do bot são quase semelhantes e os resultados são os mesmos.
Gostaria que eu examinasse o código catbust para você e lhe desse uma resposta exata? Eu só pesquiso o que me interessa. Não uso o catbust.
Presumi que você soubesse, mas não sabe - não pensei em sobrecarregá-lo.
É a primeira vez que ouço falar de coeficientes de folha - o que são?
Valores de folha que são somados para formar a coordenada Y de uma função.
Maior ou igual a 0,5 em X significa que a classe padrão é "1" no CatBoost.