Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2385
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
+++
Еще немного философии))
Для подобных подходов типичны результаты, которые можно условно назвать "анти-хомячными" - это значит, что хомяка видно, но его нет. Это вполне типично для рядов похожих на реализации СБ.
не соглашусь. Проблема в большом количестве правил и логик отбора есть конечно. Целевые в обоих подходах одинаковы.
А то что дорога совсем не туда, ну так мы же проверяем правила и путь корректируем))))
у меня есть некая другая МО абстракция, которая должна точно находить настоящие закономерности (если они есть), но это не точно
в гугле не нашел ни Масонских ни Пентагоновских упоминаний, поэтому пока держу в тайне
абстракцию придумал когда щёлкал семечкиу меня есть некая другая МО абстракция, которая должна точно находить настоящие закономерности (если они есть), но это не точно
в гугле не нашел ни Масонских ни Пентагоновских упоминаний, поэтому пока держу в тайне
абстракцию придумал когда щёлкал семечкизабыл видимо: настоящие закономерности СБ (если они есть))))
Вроде, Алексей предлагал вычислительные мощности, он любит что-нибудь долго считать, может вам сделать кооп :)
на R без векторизации все равно будет медленно. Можно через какую-нибудь быструю БДБолее того, данным подходом я занимаюсь много лет.
Однако, сейчас его несколько отложил, так как он действительно очень медленный, что не дает возможности быстро менять целевую (искать удачную), и отдельные правила так же перестают работать, как ты их не проверяй на истории.
Максим, можете помочь, сделать скрипт на питоне, который будет в цикле создавать модель (или сто моделей) по данным из файла CSV, потом анализировать её(их) на значимость предикторов стандартными средствами CatBoost, потом запрещать/разрешать использование предикторов (CatBoost это умеет) по определенным условиям и создавать опять новую модель. Этот метод позволит выделить важные предикторы, что приведет к улучшению модели. Я использую подобный метод, но мне очень неудобно это делать, так как каждый цикл, после отсеивания/добавления предикторов приходится перезапускать руками цикл обучения.
Более того, данным подходом я занимаюсь много лет.
Однако, сейчас его несколько отложил, так как он действительно очень медленный, что не дает возможности быстро менять целевую (искать удачную), и отдельные правила так же перестают работать, как ты их не проверяй на истории.
Максим, можете помочь, сделать скрипт на питоне, который будет в цикле создавать модель (или сто моделей) по данным из файла CSV, потом анализировать её(их) на значимость предикторов стандартными средствами CatBoost, потом запрещать/разрешать использование предикторов (CatBoost это умеет) по определенным условиям и создавать опять новую модель. Этот метод позволит выделить важные предикторы, что приведет к улучшению модели. Я использую подобный метод, но мне очень неудобно это делать, так как каждый цикл, после отсеивания/добавления предикторов приходится перезапускать руками цикл обучения.
пока не до этого
и не верю в такой подход (знаю лучше и быстрее кратно)
пока не до этого
и не верю в такой подход (знаю лучше и быстрее кратно)
Подход рабочий - это не вопрос веры.
А какой подход быстрей и лучше, давайте сравним эффективность!?
Подход рабочий - это не вопрос веры.
А какой подход быстрей и лучше, давайте сравним эффективность!?
чтобы это не было вопросом веры, нужны какие-то док-ва
удаление фичей из модели меняет их Interaction, поэтому переставлять можно сколь угодно долгоВ глубоких нейросетях, возможно.
А в зарегулированных бустах и лесах - нет.
Например в катбусте рекомендованная глубина деревьев = 6. Это 2^6=64 сплита. Если нам нужна МА30, то в среднем каждый бар будет поделен 2 раза (пополам и одна из половинок еще пополам). Чтобы грубо (с ошибкой 10%) воспроизвести МА нужно хотя бы 10 раз сделать деление каждого бара. Это глубина 9-10 нужна.
Но глубокое деление дерева не даст ему обобщать.
Таким образом получается, что неглубокими деревьями можно обобщать, но невозможно воспроизводить внутри любую требуемую фичу (типа МА). А значит кроме баров нужно подавать и МА-шки, и CCI-шки и все остальное, что хочется проверить как фичи.
Не я один был сторонником, что только баров достаточно для древовидных систем. Если сторонники еще остались - предлагаю высказать свои доводы.