Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1280
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Если интересно, можно сравнить таблицы важности по permutation и по реальному удалению предиктора
, feature, absolute value, related value * 100
1) 17 0.01097643069603077 99
2) 30 0.006790004907923086 61
3) 61 0.004684715336508855 42
4) 2 -0.0002692516957934765 -2
5) 59 -0.0006465367565449825 -5
6) 34 -0.0006503517167333328 -5
7) 5 -0.001340840857516234 -12
8) 41 -0.001504570905518282 -13
9) 15 -0.001971414359495396 -17
10) 49 -0.002008411960897655 -18
11) 6 -0.002027305543154334 -18
12) 55 -0.002292162160081906 -20
13) 47 -0.002398304141661728 -21
14) 29 -0.003010337993465118 -27
15) 51 -0.004160368206123241 -37
16) 45 -0.004454751375256194 -40
17) 31 -0.004888451443569572 -44
18) 0 -0.00493201061731692 -44
19) 48 -0.005610904510929521 -51
20) 3 -0.005764515487066274 -52
21) 57 -0.005965409431599886 -54
22) 10 -0.006056332510674986 -55
23) 35 -0.006367565963429744 -58
24) 58 -0.006638024809636447 -60
25) 43 -0.007371220115761079 -67
26) 9 -0.007420288551508419 -67
27) 21 -0.007838972444520739 -71
28) 4 -0.007840269966254226 -71
29) 44 -0.008004942292835771 -72
30) 16 -0.008290498838290847 -75
31) 36 -0.008995332552560964 -81
32) 50 -0.009024243316015798 -82
33) 27 -0.009105675807931257 -82
34) 24 -0.01027361001595535 -93
35) 7 -0.01052719088846928 -95
36) 26 -0.01082406611271462 -98
37) 18 -0.01155880619525071 -105
38) 60 -0.01156309946744785 -105
39) 56 -0.01203862169736691 -109
40) 1 -0.01203862169736691 -109
41) 25 -0.0122272134638268 -111
42) 38 -0.01241174339783128 -113
43) 62 -0.01249635462233889 -113
44) 28 -0.01266702047388507 -115
45) 11 -0.01359028620740281 -123
46) 39 -0.01404126970316556 -127
47) 20 -0.01439737068264699 -131
48) 52 -0.01439756725211659 -131
49) 42 -0.01444571512808378 -131
50) 22 -0.01551886866180208 -141
51) 33 -0.01615798882405024 -147
52) 12 -0.01905830020505599 -173
53) 14 -0.01926462731981513 -175
54) 37 -0.01995084300903066 -181
55) 40 -0.020510512124551 -186
56) 19 -0.021415509666178 -195
57) 63 -0.02151966963894812 -196
58) 54 -0.02355949029687353 -214
59) 64 -0.02507021252693609 -228
60) 32 -0.02702794503628224 -246
61) 8 -0.02803580711831312 -255
62) 13 -0.03090123190409769 -281
63) 46 -0.03344678821960098 -304
64) 53 -0.03558721250407129 -324
65) 23 -0.04407219798162174 -401
Важность предикторов по методу permutation
, feature, absolute value, related value * 100
1) 55 0.04340158682225395 99
2) 61 0.02562763893643727 59
3) 58 0.02546470705535522 58
4) 56 0.02529445125891924 58
5) 59 0.02513377163594621 57
6) 57 0.02208166602125552 50
7) 64 0.02019285632774162 46
8) 60 0.0160907362360114 37
9) 43 0.0125324616278514 28
10) 35 0.01239249171969528 28
11) 13 0.01233138008911674 28
12) 24 0.01170363669371338 26
13) 62 0.01162424331038356 26
14) 63 0.01149019906346291 26
15) 45 0.01127777161657609 25
16) 34 0.01085020622422195 24
17) 46 0.01061844113396632 24
18) 20 0.01007598993178244 23
19) 2 0.009874770749918993 22
20) 19 0.00973881761283335 22
21) 1 0.009100774421598679 20
22) 32 0.009027289557555301 20
23) 9 0.008970631365350451 20
24) 54 0.00802484531062575 18
25) 8 0.007874015748031482 18
26) 53 0.007388216046985141 17
27) 41 0.006952887365763216 16
28) 12 0.0065631543248105 15
29) 21 0.006511968996697037 15
30) 31 0.006445981174562854 14
31) 30 0.005790682414698156 13
32) 42 0.005742446472030011 13
33) 22 0.003590654957257189 8
34) 4 0.003590358440616087 8
35) 38 0.00350243104857792 8
36) 10 0.00350243104857792 8
37) 29 0.003392223030944636 7
38) 5 0.003253553701826867 7
39) 52 0.003019071994331074 6
40) 11 0.002622140078149371 6
41) 15 0.001506974549529611 3
42) 49 0.001178236999850979 2
43) 27 0.000646877104963639 1
44) 23 0.0001088642328799794 0
45) 0 -0.0007427642973199949 -1
46) 36 -0.0008086747680855211 -1
47) 18 -0.001719116017552688 -3
48) 16 -0.003868408494392753 -8
49) 7 -0.004264601904658535 -9
50) 25 -0.004436590312574581 -10
51) 44 -0.004549722466056144 -10
52) 17 -0.005094229165450173 -11
53) 33 -0.007112771718937178 -16
54) 50 -0.008009653155771651 -18
55) 6 -0.008725562553674474 -20
56) 26 -0.01000190433609049 -23
57) 47 -0.01158648521535965 -26
58) 3 -0.01809942562041326 -41
59) 51 -0.01843159353630121 -42
60) 39 -0.02375369534904158 -54
61) 40 -0.02659139305699997 -61
62) 37 -0.02970174182772609 -68
63) 48 -0.031083105562031 -71
64) 14 -0.03323633066169551 -76
65) 28 -0.03952723165321592 -91
Что интересно, почти половина предикторов при реальном удалении показывают отрицательную важность, т.е. если их удалить то ошибка дерева уменьшится, т.е. они явно шумовые. Но самый шумный всего на 0,5% ухудшает результат.
Ну и то что порядок важности совсем не похож - приводит к мысли, что все таки лучше перебором отсеивать шумовые предикторы.
Может потому что сравнивать нужно с каким-то эталоном или известным примером, а не горячее с легким
+скорость очень важна. Поскольку в алглиб не встроен импортанс, считаю перестановку оптимальной сейчас (пробовал кучу методов перебора)
А зачем Вам общая ошибка, у Вас равновесная бинарная выборка? Я больше склоняюсь в сторону поиска путей улучшения точности класса 1.
А зачем Вам общая ошибка, у Вас равновесная бинарная выборка?
Общая ошибка - имеется в виду не отдельного листа, а дерева / леса.
Я больше склоняюсь в сторону поиска путей улучшения точности класса 1.
Я тоже)
Может потому что сравнивать нужно с каким-то эталоном или известным примером, а не горячее с легким
+скорость очень важна. Поскольку в алглиб не встроен импортанс, считаю перестановку оптимальной сейчас (пробовал кучу методов перебора)
При разных запусках на одном и том же дереве, за счет рандомности перестановки порядок важности тоже меняется
Еще небольшой эксперимент с permutation.
При разных запусках на одном и том же дереве, за счет рандомности перестановки порядок важности тоже меняется
Хотел уточнить, Вы на какой выборке проверяете результат метода permutation, на той что обучались, или на тестовой?
Я так понимаю, что шум - это то, что перестает совсем работать на выборке вне обучения. Но, я вот считаю, что дело не в отдельно взятом предикторе, а скорей в связях/листьях. Т.е. есть два варианта - предиктор мусор или его просто не правильно используют, т.е. листья мусор.
Хотел уточнить, Вы на какой выборке проверяете результат метода permutation, на той что обучались, или на тестовой?
Я так понимаю, что шум - это то, что перестает совсем работать на выборке вне обучения. Но, я вот считаю, что дело не в отдельно взятом предикторе, а скорей в связях/листьях. Т.е. есть два варианта - предиктор мусор или его просто не правильно используют, т.е. листья мусор.
На обучающей, т.к. деревья недообученные. В переобученых деревьях надо было бы на тестовой, т.к. дерево запомнило бы и шум.
В недообученных думаю это не важно.
Зато важен размер выборки. Чем она больше, тем она более репрезентативна. А обучающий участок у меня в 3 раза больше.
---------
Судя по учебнику https://www.mql5.com/ru/blogs/post/723619 большая репрезентативная выборка делает необязательной балансировку по классам, уменьшая временные случайности. Перенес это на недообученные деревья.
Но может и ошибаюсь и надо на тестовом участке проверять значимость предикторов.
Попробуйте делать регрессию
торговать только при высокой корреляции прогноза с ценой за N баров.
Это как с трендом? Когда поймешь что это тренд, то он уже подходит к концу и уже пора выходить, а не входить.