Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2239
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
Рынок же и участники и их алгоритмы меняются со временем. Странно что вы ожидаете стабильной системы обученой один раз. Переобучайте раз в неделю или каждый день (на деревьях это быстро).
Это философский вопрос :)
Нужно понимать, как быстро рынок меняется, от этого зависит частота переобучения, как это измерить?
Я думаю, что рынок состоит из множества разных предрасположенностей, их набор ограничен, и я лишь учу модель идентифицировать эту предрасположенность и по ней зарабатывать.
А чем готовое не устраивает? здесь и здесь. Вам нужно собственно только часть отвечающая за коммуникацию между МКЛ и Python (ZeroMQ).
Удачи
Я о нем не знал)) Спасибо!
Только я не совсем понимаю зачем усложнять задачу картинками, когда можно через 1d свертку? :) картинка ведь информации к ряду не добавляет
Да, Вы правы, если вектор признаков преобразовать в матрицу и скормить свертке, то мало что измениться( уже проверял:)) В моем случае, идея заключается в максимальном использовании свойства сверточной сети искать и использовать локальные шаблоны. Эти шаблоны инвариантны в отношении переноса, то есть многослойная свертка может находить один и тот же шаблон, в разных местах изображения. Так же архитектуры с промежуточным агрессивным уменьшением карты признаков позволяет формировать иерархию между шаблонами на разных сверточных слоях. Так вот, я пытаюсь подобрать такую графическую интерпритацию котировки, которая позволит свертке находить эти шаблоны.
Да, Вы правы, если вектор признаков преобразовать в матрицу и скормить свертке, то мало что измениться( уже проверял:)) В моем случае, идея заключается в максимальном использовании свойства сверточной сети искать и использовать локальные шаблоны. Эти шаблоны инвариантны в отношении переноса, то есть многослойная свертка может находить один и тот же шаблон, в разных местах изображения. Так же архитектуры с промежуточным агрессивным уменьшением карты признаков позволяет формировать иерархию между шаблонами на разных сверточных слоях. Так вот, я пытаюсь подобрать такую графическую интерпритацию котировки, которая позволит свертке находить эти шаблоны.
А как Вы преобразовываете вектор в матрицу?
Да, Вы правы, если вектор признаков преобразовать в матрицу и скормить свертке, то мало что измениться( уже проверял:)) В моем случае, идея заключается в максимальном использовании свойства сверточной сети искать и использовать локальные шаблоны. Эти шаблоны инвариантны в отношении переноса, то есть многослойная свертка может находить один и тот же шаблон, в разных местах изображения. Так же архитектуры с промежуточным агрессивным уменьшением карты признаков позволяет формировать иерархию между шаблонами на разных сверточных слоях. Так вот, я пытаюсь подобрать такую графическую интерпритацию котировки, которая позволит свертке находить эти шаблоны.
Кстати. А правильно ли нам искать шаблоны в разных местах графика?
Думаю нет.
Например нашли какой то шаблон на 20 точек, после которого надо покупать. А если этото шаблон был не на 0м баре, а 20-50-200 баров назад и покупать уже поздно, надо наоборот продавать. Сверточная сеть найдет его и купит. Она ответит на вопрос - был ли шаблон на показанном ей участке графика. А нам нужно искать шаблон только на правом участке графика, т.е. на 0-м баре.
Т.е. получается что свёрточные сети вообще не подходят для работы на котировках. Появление шаблона в любом месте кроме 0-го бара будет только мешать прибыльной работе.
Хотел было ими заняться, но только что передумал.Если график состоит из 100 точек, а шаблон на 20. То сверточная сеть даст сигнал, что шаблон тут есть 80 раз.!!
Да, Вы правы, если вектор признаков преобразовать в матрицу и скормить свертке, то мало что измениться( уже проверял:)) В моем случае, идея заключается в максимальном использовании свойства сверточной сети искать и использовать локальные шаблоны. Эти шаблоны инвариантны в отношении переноса, то есть многослойная свертка может находить один и тот же шаблон, в разных местах изображения. Так же архитектуры с промежуточным агрессивным уменьшением карты признаков позволяет формировать иерархию между шаблонами на разных сверточных слоях. Так вот, я пытаюсь подобрать такую графическую интерпритацию котировки, которая позволит свертке находить эти шаблоны.
можно попробовать recurrence plot'ы. Я делал, что-то не вкатило, и медленно, опять же
можно попробовать recurrence plot'ы. Я делал, что-то не вкатило, и медленно, опять же
или разложение ряда, РСА например с обратным преобразованием....
можно ряд на атомы разложить и собрать обратно
вот например первые две компоненты в окне 100
вот 2 и 3 компоненты
вот 3 и 4 компоненты
вот 30 и 31 компоненты
так можно до 100 раскладывать, крутая вещь...
все это на новых данных, без запаздывания итп..
......
......
.....
Гы.. Большинство даже не поняло о чем я вообще )))) наверное ))
или разложение ряда, РСА например с обратным преобразованием....
можно ряд на атомы разложить и собрать обратно
вот например первые две компоненты в окне 100
вот 2 и 3 компоненты
вот 3 и 4 компоненты
вот 30 и 31 компоненты
так можно до 100 раскладывать, крутая вещь...
все это на новых данных, без запаздывания итп..
......
......
.....
Гы.. Большинство даже не поняло о чем я вообще )))) наверное ))
Это точно. Большинство просто не поняло, о чём ты вообще говоришь. Ну значит, так и должно быть.
Знакомься, окольными путями ты пришёл к построению, давно известному, широко применяемому на практике, хорошо себя зарекомендовавшему, именуемому "нониусная следящая система". И хотя ещё и не в полной мере, но суть ты уловил.
А как Вы преобразовываете вектор в матрицу?
Как душе было угодно, и как додумался реализовать. Собирал из построчно где в строке признак с лагом в прошлое. Менял направления для четных, нечетных, случайных строк. Транспонировал матрицу, транспонировал сегменты матрицы, короче упражнялся... результат не особо меня вдохновил.
Это точно. Большинство просто не поняло, о чём ты вообще говоришь. Ну значит, так и должно быть.
Знакомься, окольными путями ты пришёл к построению, давно известному, широко применяемому на практике, хорошо себя зарекомендовавшему, именуемому "нониусная следящая система".
Точно так называется?