ФорумРазделы

Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3041

Новый комментарий

Вычленяем нескольго "годных" правил/стратегий из данных..

Полный етап

1) преобразование и нармализация данных

2) тренировка модели

3) извлечение правил

4) фильтрация правил

5) визуализация

готовый код , просто подставьте свои данные

close <- cumsum(rnorm(10000,sd = 0.00001))+100
par(mar=c(2,2,2,2))
plot(close,t="l")

sw <- embed(x = close,dimension = 10)[,10:1] # make slide window data
X <- t(apply(sw,1,scale)) # normalase data

dp <- c(diff(close),0) # diff prices
Y <- as.factor( ifelse(dp>=0,1,-1) ) # target for classification

tr <- 1:500
library(inTrees)  # ?inTrees::getRuleMetric()
library(RRF)

rf <- RRF(x = X[tr,],y = Y[tr],ntree=100)
rule <- getRuleMetric(unique(extractRules(RF2List(rf),X[tr,])),X[tr,],Y[tr])
rule <- data.frame(rule,stringsAsFactors = F)
for(i in c(1,2,3,5)) rule[,i] <- as.numeric(rule[,i])
buy_rules <- rule$condition[ rule$pred==1 ]

plot(x = 1:1000,y = rep(NA,1000), ylim = c(-0.001,0.001)) 
for(i in 1:length(buy_rules)){
   cum_profit <- cumsum( dp[  eval(str2expression(buy_rules[i]))  ] )
   lines(cum_profit,col=8,lwd=1)
}
for(i in 1:length(buy_rules)){
  cum_profit <- cumsum( dp[  eval(str2expression(buy_rules[i]))  ] )
  ccor <- cor(cum_profit, 1:length(cum_profit))
  if(ccor>=0.9)  lines(cum_profit,col=i,lwd=2)
}
abline(h = 0,col=2,lty=2)



Вопрос  в том что, если в рандоме можно найти  "работающие ТС"  то какими способами можно доказать что найденые ТС на реальных данных  не являються рандомом?

Тут Алексей этим знимаеться , вот интересно , есть какой то статистический тест для задач такого рода?

[Удален]
Спроси у chatgpt, часто отвечает содержательнее чем человек :)

Хочу провести эксперимент - написать бота с нуля только через промпты.
Maxim Dmitrievsky #:
Спроси у chatgpt, часто отвечает содержательнее чем человек :)

Хочу провести эксперимент - написать бота с нуля только через промпты.

Зачем? Лилит переплюнуть? Хотя чем бы ..... ...  ... сь))) Реально крутой инстрУмент в умелых руках)

[Удален]
Valeriy Yastremskiy #:

Зачем? Лилит переплюнуть? Хотя чем бы ..... ...  ... сь))) Реально крутой инстрУмент в умелых руках)

Это метауровень программирования, плюс питон она знает великолепно. Еще делаю промпты голосом, лежа на диване. Часто бывает, что есть идеи, но катастрофически лень опять писать этот код :)
Maxim Dmitrievsky #:
Это метауровень программирования, плюс питон она знает великолепно. Еще делаю промпты голосом, лежа на диване. Часто бывает, что есть идеи, но катастрофически лень опять писать этот код :)

Согласен, правильно поставленный вопрос это метауровень)))

Ну и проверить правильность исполнения кода)
[Удален]
Valeriy Yastremskiy #:

Согласен, правильно поставленный вопрос это метауровень)))

Ну и проверить правильность исполнения кода)
Нейроинтерфейс мне дайте, чтобы ртом не шевелить 
А по моему это деградирование
mytarmailS #:

Вычленяем нескольго "годных" правил/стратегий из данных..

Полный етап

1) преобразование и нармализация данных

2) тренировка модели

3) извлечение правил

4) фильтрация правил

5) визуализация

готовый код , просто подставьте свои данные



Вопрос  в том что, если в рандоме можно найти  "работающие ТС"  то какими способами можно доказать что найденые ТС на реальных данных  не являються рандомом?

Тут Алексей этим знимаеться , вот интересно , есть какой то статистический тест для задач такого рода?

Основная проблема в применении матстата для таких задач в том, что поиск ТС осуществляется отбором из большого числа вариантов. Всегда можно из большого набора выбрать что-то очень красивое - на простом примере как-то показывал здесь, что моделируя цены как СБ, всегда можно "найти" хороший час недели для торговли. А это всего-то 120 вариантов для выбора.

При этом матстат не говорит, что отобранная ТС обязательно плохая, а говорит лишь о том, что подобный результат МОЖЕТ (А НЕ ОБЯЗАН) являться всего лишь результатом отбора из СБ.

mytarmailS #:

Вычленяем нескольго "годных" правил/стратегий из данных..

Получаю ошибку при запуске

> sw <- embed(x = close,dimension = 10)[,10:1] # make slide window data
Error in h(simpleError(msg, call)) : 
  ошибка при оценке аргумента '.data' при выборе метода для функции 'embed': argument ".data" is missing, with no default

Возник чисто теоретический вопрос - может ли ONNX модель использоваться для получения другой ONNX модели. Например, первая модель используется для периодического переобучения на новых данных и обновления рабочей модели. Имеется в виду, без использования питона и тд.

На первый взгляд, вряд ли это возможно, но вдруг кто-то пытался делать что-то подобное.

Осмысленных ответов от ИИ добиться не удалось - пишет что можно и приводит в подтверждение ссылки не имеющие никакого отношения к вопросу)

1...303430353036303730383039304030413042304330443045304630473048...3746
Новый комментарий