Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 1951
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
Для сети с 1 нейроном и 100 входами. Слева все входы, в центре последние 10. Справа 10 нейронов 100 входов.
Веса для сетки на пересечение с ма(100) 100 входов слева, ма(50) 100 входов справа.
какую инфу это дает?
сегодня я принял сложное решение - отказался от кластеризации, потому что это г :)
ОГОоо!!! как неожиданно )) помнитца мне кто то тебе говорил что г.)) это, вроди даже много раз )) Умный парень наверное, не помню как звали..
в планах покрутить umap хваленый, посмотреть а чё это
Только изучи теорию обязательно, даже не самого алгоритма, а именно про снижение размерности, что это, для чего это, как надо правильно использовать, а как не надо итп...
А то на выходе будет пшик это я практически гарантирую.
ОГОоо!!! как неожиданно )) помнитца мне кто то тебе говорил что г.)) это, вроди даже много раз ))
Только изучи теорию обязательно, даже не самого алгоритма, а именно про снижение размерности, что это, для чего это, как надо правильно использовать, а как не надо итп...
А то на выходе будет пшик это я практически гарантирую.
пока сам не попробуешь, как говорится..
какую инфу это дает?
По верхним графикам видно, что сетка использует последние 1,2 входа (это 1,2 предыдущих значений цены)
По нижним, использует столько цен, сколько нужно для расчета МА, если ма(50), то ровно столько входов сеть и использует.
Верхняя сеть плохо обучена, там точность около 60%, нижняя выдает 99%.
Верхняя пытается определить направление следующего бара по приращениям предыдущих (прогноз).
Нижняя просто определяет направление пересечения цены и ма на текущем баре, на входе приращения (без прогноза).
По верхним графикам видно, что сетка использует последние 1,2 входа (это 1,2 предыдущих значений цены)
По нижним, использует столько цен, сколько нужно для расчета МА, если ма(50), то ровно столько входов сеть и использует.
Верхняя сеть плохо обучена, там точность около 60%, нижняя выдает 99%.
а. feature importance можно посмотреть просто
Только изучи теорию обязательно, даже не самого алгоритма, а именно про снижение размерности, что это, для чего это, как надо правильно использовать, а как не надо итп...
Что-то мне кажется, что не сильно поможет. Это сжатие инфы. Если сжимать мусор, то будет сжатый мусор.
Если к 2500 мусорным фичам добавить 1 хорошую, то алгоритм не особо то ее и заметит и ее влияние на итог будет если и больше 1/2500, то не намного. Пусть даже 1/100, на графике этого не заметишь.
Единственное, что ожидаю полезного - это то , что высококореллированные фичи как бы сольются в одну.
посмотрите бота в маркете в топе для mt5, который торгует сезонные
название на P начинается
и подумайте как сделать реверс. У меня не выходит так же ровно, но тема рабочая
а. feature importance можно посмотреть просто
это где такое?
на выходе сетка должна давать. еще есть такое как shap values (отдельный пакет), но он вроде только для представителей дендрария
посмотрите бота в маркете в топе для mt5, который торгует сезонные
и подумайте как сделать реверс. У меня не выходит так же ровно, но тема рабочая
У меня в блоге первая сетка про эту тему