Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2485

[Renat Akhtyamov]

mytarmailS #:
Так на прошлой странице ссылка сайта, ты же сам у себя открывал , или я чет не понял..  или ты демку не открывал?

нет, яндекс

[Mihail Marchukajtes]

JeeyCi #:

ответьте, пожалуйста, и на мой клинический вопрос (вы кстати вчера прочитали мои мысли и после того, как я уже посмотрела этот метод, запостили свой способ работы с data - cспасибо)... НО вопрос у меня остаётся: ведь этот метод используется для классификации, так полагаю, признаков - оно вам надо?.. что вы классифицируете, если не секрет? LN(Close/Open)? и чему обучаете?

-- если секрет - пойму -   "know-how"

p.s. кину себе пару линков для ориентации в теме (всё-таки это не совсем моя статистика, хоть и последнюю можно заложить в "модель внешней среды", вероятно):

Введение в ИИ

Постановка и возможные пути решения задачи обучения нейронных сетей

предварительной обработки данных

Ансамбль методов

Да действительно это метод классификаци, где я обучаю модель на распознование истиности или ложности сигналов базовой стратегии. То есть при работе с классификациями в составе ТС должна быть базовая стратегия. Сама же стратегия может быть абсолютно любой, то же пересечение машек и как у всех моделей правильных и не правильных сигналов 50/50. Задача классификации определить какие сигналы действительно истинные, какие ложные отсюда и делать выводы, а вернее действия по открытию позиций. Почитайте мою статью там это более подробно рас писано!

[JeeyCi]

Mihail Marchukajtes #:
  Почитайте мою статью там это более подробно рас писано!

спасибо за линк и статью... если в основе данные ClucterDelta - то обнадёживающее начало... только не всегда Спот ходит, как Фьюч (если говорить о forex)...

НО в основе вывода об истинности/ложности сигнала, насколько понимаю, всё равно лежит Байес?..

кстати, вот(c.20) крах моих попыток прикинуть граф НС (имея распределения цен опционов на входе):

Байесовский вывод отличается от традиционного статистического тем, что сохраняет неопределенность ...

Байесовское мировоззрение интерпретирует вероятность как меру правдоподобия события , то есть степень нашей уверенности в том, что событие произойдет.

... хотя и его параметры (имеющегося распределения) можно попробовать подать на вход, вероятно, - наверно, тогда смотреть в сторону многоклассовой классификации  

[Mihail Marchukajtes]

JeeyCi #:

спасибо за линк и статью... если в основе данные ClucterDelta - то обнадёживающее начало... только не всегда Спот ходит, как Фьюч (если говорить о forex)...

НО в основе вывода об истинности/ложности сигнала, насколько понимаю, всё равно лежит Байес?..

кстати, вот(c.20) крах моих попыток прикинуть граф НС (имея распределения цен опционов на входе):

... хотя и его параметры (имеющегося распределения) можно попробовать подать на вход, вероятно, - наверно, тогда смотреть в сторону многоклассовой классификации  

На данный момент я уже не использую ClusterDelta поскольку перешёл на Моекс и там эта информация бесплатна плюс ещё есть инфа по ОИ, а вот по поводу опционов то нужно подавать на вход значения параметров улыбки коих 3. Кривизна, наклон и значение в центральном страйке при чём не сами эти значения а их изменения во времени. ЭТО то чего у меня ещё до сих пор нет увы, И тогда стратегия будет практически безпроигрышная!!!!! Как мне кажется....

[JeeyCi]

Mihail Marchukajtes 

я набралась сил/смелости посмотреть ваш код (часто в коде больше правды, чем во всех учебниках) - не подскажете, что это у вас за мультипликаторы в Классификаторах в переменной double decision - это веса?.. и как вы их изначально нашли? т.е. почему именно такие?

или ещё лучше - откомментируйте please - какие переменные принимает, и код функции

double getBinaryClassificator1(double v0,double v1,double v2,double v3) 
  {
   double x0=2.0 *(v0+327.0)/650.0-1.0;
//Variable v1 got under reduction
   double x2 = 2.0 * (v2 + 397.0) / 828.0 - 1.0;
   double x3 = 2.0 * (v3 + 121.0) / 264.0 - 1.0;
   double decision=1.5260326743246075*x0
                   -0.13861638107404117 * sigmoid(x0)
                   -0.06391652777916389 * sigmoid(x2)
                   -0.44591870340615364 * sigmoid(x0 + x2)
                   +0.14661031327032664*sigmoid(x3)
                   -0.024191375335575492*sigmoid(x0+x3);
   return decision;
  }

заранее спасибо!

p.s.

1. вижу, что в качестве активационной функции вы используете сигмоидную (S-образную)... она "часто используется в качестве сжимающей функции"...

2.

Mihail Marchukajtes #:
 ... при чём не сами эти значения а их изменения во времени.

может, лучше в квадрате?

[JeeyCi]

кстати волатильность волатильностью (как несистемный риск), а системный риск никто не отменял...

Волатильность финансовых рынков не то же самое, что риск

p.s.

хотя, конечно, зарабатывает трейдер на волатильности... имхо

[JeeyCi]

JeeyCi #:

Mihail Marchukajtes 

 - не подскажете, что это у вас за мультипликаторы в Классификаторах в переменной double decision - это веса?..

аа, это, вероятно, изначально заданные, которые в процессе обучения самонастраиваются потом НСетью ... т.е. изначально, веоятно, рандомные... (но есть ли хоть какая-то логика хотя бы в их знаках?)...

но вопрос логики операций в функции и констант (почему они именно такие и функции почему именно такие) остаётся??

[iwelimorn]

"Ехх...Еслиб хто помох..." ©

Не подскажите каким алгоритмом можно разделить эти три класса, особенно интересует класс обозначенный голубым цветом. Эта собака разбита на две обособленные части и к сожалению я не знаю как разделить маркировку целевой, так чтобы выделить отдельно правую и левую часть. Может быть что ни будь посоветуете?

[Aleksey Nikolayev]

iwelimorn #:

"Ехх...Еслиб хто помох..." ©

Не подскажите каким алгоритмом можно разделить эти три класса, особенно интересует класс обозначенный голубым цветом. Эта собака разбита на две обособленные части и к сожалению я не знаю как разделить маркировку целевой, так чтобы выделить отдельно правую и левую часть. Может быть что ни будь посоветуете?

На глаз, разделяются двумя прямыми.

[Andrei Trukhanovich]

судя по картинке, любой алгоритм классификации осилит