Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3011
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
что вы говорите до сих пор никто не понимает, по-моему )
вот у него все понятно без слов и просто, по принципу бритвы Оккама
Нет, просто когда я пришел в ветку и начал говорить про отбор правил из деревьев и их оценку Вы смеялись над идеей.
Я сделал следующий шаг сейчас - создание условий для создания потенциально качественных правил через оценку квантовых отрезков предиктора, и опять сталкиваюсь с тотальным непониманием.
Несколько раз писал.
Тут приходится по сто раз говорить одно и тоже, что бы тебя услышали.
Нет, просто когда я пришел в ветку и начал говорить про отбор правил из деревьев и их оценку Вы смеялись над идеей.
Я сделал следующий шаг сейчас - создание условий для создания потенциально качественных правил через оценку квантовых отрезков предиктора, и опять сталкиваюсь с тотальным непониманием.
то есть через простое вытаскивание правил из дерева не получилось счастья? В теории, там тоже как повезет, но за счет их (правил) количества можно было бы найти что-то
ведь это примерно то же самое, что перебор параметров стратегии в оптимизаторе, но в более изящном исполнениито есть через простое вытаскивание правил из дерева не получилось счастья?
Вполне хороший метод оказался, если не считать, что нет определенности по дальнейшей жизни правил с их последующей реинкарнацией. На длительных интервалах более 50% отобранных правил показывали позитивные результаты работы.
Я использовал генетическое дерево - это очень медленно, если выборка содержит множество предикторов.
Поэтому я решил искать возможность уменьшения объема информации, подаваемый дереву для обучения. Стал искать пути выделения потенциально полезных данных.
Другая проблема - большая похожесть листьев/правил по точкам активации. Да и с ростом базы листьев уникальность тяжело было найти.
В итоге конструкция интересная, есть что улучшать, но крайне медленная в моём случае оказалась. В общем не пригодной для экспериментов, но интересной для внедрения, если готова вся концепция устройства построения ТС.
Ну и конечно - я не знаю R, поспрашивал местных гуру, и толком никто не смог помочь решить мои задачи.
Сейчас бы добавил семплирование и принудительный отбор корневого предиктора (по списку) и блокировку уже использованного.
Вполне хороший метод оказался, если не считать, что нет определенности по дальнейшей жизни правил с их последующей реинкарнацией. На длительных интервалах более 50% отобранных правил показывали позитивные результаты работы.
Я использовал генетическое дерево - это очень медленно, если выборка содержит множество предикторов.
Поэтому я решил искать возможность уменьшения объема информации, подаваемый дереву для обучения. Стал искать пути выделения потенциально полезных данных.
Другая проблема - большая похожесть листьев/правил по точкам активации. Да и с ростом базы листьев уникальность тяжело было найти.
В итоге конструкция интересная, есть что улучшать, но крайне медленная в моём случае оказалась. В общем не пригодной для экспериментов, но интересной для внедрения, если готова вся концепция устройства построения ТС.
Ну и конечно - я не знаю R, поспрашивал местных гуру, и толком никто не смог помочь решить мои задачи.
Сейчас бы добавил семплирование и принудительный отбор корневого предиктора (по списку) и блокировку уже использованного.
а при чем тут катбуст? зачем он вам, оттуда тоже правила вытаскиваются?
почему не взять простое дерево и идти от корня к верхушкам по правилам, давая меньший вес сложным правилам (штраф за сложность правила)
каждое правило прогнать в тестере на новых данных, предварительно выбросив те, что с большой ошибкой
ЗЫ, мне все равно не нравится такой подход интуитивно, пока не понял почемуНу и конечно - я не знаю R,
Я уже это слышу больше года..
R можно выучить за неделю
а при чем тут катбуст? зачем он вам, оттуда тоже правила вытаскиваются?
CatBoost - большая скорость проверки верности направления идей в первую очередь.
Правила могу вытаскивать из первого дерева, но они, конечно, получаются значительно слабей в среднем (бывают хорошие, но очень редко), поэтому оставил эту затею пока. Сейчас там есть альтернативный способ построения деревьев, возможно там правила сильней, но нет возможности работать на MQL5 с такой моделью без питона.
И вообще, у меня есть свои идеи, как строить модель, медленно создающуюся, но с теми же сразу проверками по которым отбирались листья. Может когда то дойду до её реализации в коде.
почему не взять простое дерево и идти от корня к верхушкам по правилам, давая меньший вес сложным правилам (штраф за сложность правила)
каждое правило прогнать в тестере на новых данных, предварительно выбросив те, что с большой ошибкой
ЗЫ, мне все равно не нравится такой подход интуитивно, пока не понял почемуРазница по сути только в объемах данных и нагрузки на процессор при применении модели.
Ну и плюс, листья легче ансамблировать, собирая в группы и раздавая веса (я назвал это гербарием :) ).
Используется же много деревьев для создания правил, а значит сигналы пересекаются, чего нет просто в одном дереве.
Я уже это слышу больше года..
R можно выучить за неделю
Видимо не все такие талантливые.
Ну и код там не простой же - я пробовал переделать, но информации мне оказалось мало в интернете для решения задачи.
Ещё минус R в том, что нет простого решения для распараллеливания вычислений между компьютерами.
Разница по сути только в объемах данных и нагрузки на процессор при применении модели.
Ну и плюс, листья легче ансамблировать, собирая в группы и раздавая веса (я назвал это гербарием :) ).
Используется же много деревьев для создания правил, а значит сигналы пересекаются, чего нет просто в одном дереве.
Понял почему мне претит такая идея, потому что association (rules e.g) != causation :)