Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3068
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
Мне вот, кажется, важным вопрос именно причинно следственных связей - пару месяцев назад писал об этом на примерах событий - но опять никто не понял.
В видео обсуждается вопрос важности причинности для анализа значимости предекторов.
Судя из описания нечто иное.
"
Описание
Находит причинно-следственные связи в точных данных, обнаруживает задержки и вложения во временных рядах, направляет обучение нейронных сетей и других гладких моделей, оценивает их производительность, дает математически обоснованный ответ на проблему переобучения. Плавная регрессия основана на гамма-тесте, который измеряет плавность в многомерной зависимости. Причинно-следственные связи плавные, шум - нет. "sr" включает гамма-тест и методы поиска, которые его используют.
"
Максим, а можете по моей выборке сделать бота по Вашей системе? Это мне было бы интересней, чем просто черный ящик.
У вас там миллионы признаков наверное. Мой подход настроен на полный автомат. Можете просто сказать какие признаки хорошие по вашему мнению, несколько штук или один и тот же с разными параметрами, могу запустить на них. А целевые он сам подберет. Потому что от вашего датасета только признаки останутся в любом случае, остальное он все поменяет.
Нет не миллион - там 6к признаков. У Вас сколько там в среднем получается их? Вообще CB легко их ворочает. То, что целевые могут меняться - пусть. Сама выборка у меня не большая - 4к строк для train + test дам для валидации (я так понял, у Вас фиксированное число деревьев для каждой модели).
Нет не миллион - там 6к признаков. У Вас сколько там в среднем получается их? Вообще CB легко их ворочает. То, что целевые могут меняться - пусть. Сама выборка у меня не большая - 4к строк для train + test дам для валидации (я так понял, у Вас фиксированное число деревьев для каждой модели).
Надо понимать, что это своебразная вещь со своими приколами. Не обычное обучение.
10-20 признаков хватает. Любые на выбор, чтобы формулы загнать просто в готовую либу. Чтобы ничего не менять. Я после чтения файла с ценами генерю нужные признаки, не читаю готовые. Большое кол-во разреженных тоже не надо. Чем больше признаков, тем сложнее найти устойчивые связи.
Так не легче чтение из массива сделать и работать с рассчитанными данными, чем какие то формулы писать?
Думаю, что код совсем не менять не удастся. Не настаиваю на эксперименте.
Все еще учимся
R2: 0.9806482223765112
Learn 2204 model из 3000
Так не легче чтение из массива сделать и работать с рассчитанными данными, чем какие то формулы писать?
Думаю, что код совсем не менять не удастся. Не настаиваю на эксперименте.
Вы не не поняли главное что я Вам хотел сказать, попробуйте прогнать ваш пайплан на СБ(случайном блуждании), для начала, а может(точно) у вас будут близкие результаты, о чем это может говорить?
8% - ошибки это смешно, на правильно подготовленных фичах и таргетах такого быть не может в принципе, вы прогнозируете прошлое смешанное с будущим и ваш прогноз это прошлое эффективно выискивает.
SR - Sharpe ratio нормированное корнем от количества наблюдений, это стандартная мера перфоманса стратегии. SR - функция акураси, а ещё больше корреляции прогнозного ретурна с реализованным, акураси 60%+ даёт двузначный SR, это гладкое экспоненциальное(при реинвестировании) эквити.
Формулы надо, потом в терминал переносить. Готового бота скину. От вас нужны только фичи. Названия индикаторов, если в формулы не можете.
Можно просто отдельно мне дать бинарные модели. Я так понимаю, в итоге их две штуки? Такой подход позволит работать с любыми данными.