Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 340

 
Vladimir Perervenko:

В R есть неплохой пакет mxnet. Но более продвинутые модели нужно смотреть в Pythone. 

Странно. на днях читал сравнительно свежий обзор по нейросетям и свободному софту по НС. Так там Питон далеко не впереди планеты всей. Упоминается среди прочих, но, я так понял, разнообразием не блещет. Жаль ссылку не сохранил.

Что касается R, то благодаря специализации, в нем напрочь отсутствует обычная для моделирования математика - например, фильтрация сигналов, и многое другое. Что поделаешь -либо пенье, либо пляски.

 
Vladimir Perervenko:

Посмотрите Это, это, Это и может это.

Не все будет понятно, но какие то основные понятия по нейросетям сможете почерпнуть, я надеюсь.

Удачи

Кстати, интеграцию MT4|5 с R уже сделали или еще надо DLL применять?
 
elibrarius:
Кстати, интеграцию MT4|5 с R уже сделали или еще надо DLL применять?
Это не сделали интеграцию, а сделали в МТ некоторые аналогичных библиотек-алгоритмов. Интеграция же подразумевает работу непосредственно с R. DLL уже сделана. Ссылку на нее спросите у СанСаныча - он организатор и вдохновитель наших побед этой работы
 
Dr. Trader:


Лично моё мнение - нейронка, лес, регрессии - всё это слишком слабо для форекса.............

Я сейчас изучаю модели распознавания паттернов которые смотрят на истории как вела себя цена после похожих паттернов.............

Прямо по моим стопам идете, и думаете так же как и я думаю, это забавно.

Рынок интересный зверь, сразу его понять тяжело...  Расскажу как можно добавить немножко большей стабильности  нейроке, я уже давно об этом писал, нужно добавить так называемую "критическу точку зрения" 

рецепт такой:

1) берем некие рыночные данные - это может быть что угодно от индикаторов до самой цены

2) берем обучающую выборку и делим ее на три части "А" , "Б" , "Ц"

3) берем нейронку на выходе у которой вектор с вероятностью класса а не сам класс , обучаем эту  нейронку на рыночных данных на выборке "А" 

4) прогнозируем выборки "Б" и "Ц" нашей нейронкой,  получаем вектор прогнозов выборки "Б" и "Ц" 

5) берем новую нейронку и обучаем ее опять таки рыночным данным с выборки "Б" и добавляем еще  вектор прогнозов с  выборки "Б" от старой нейронки

6) выборка "Ц" для валидации


попробуйте, раскатаете что вышло 

 
Yuriy Asaulenko:

 фильтрация сигналов, и многое другое. и.


Конкретнее можно? Очень даже интересно.

Мне казалось, что все в R избыточно. Рубрикатор свой, от статистики, не похож на матлаб, а так вроде все есть...

 
elibrarius:
Кстати, интеграцию MT4|5 с R уже сделали или еще надо DLL применять?

Здесь библиотека  с примерами. Нареканий нет.
 
mytarmailS:

Прямо по моим стопам идете, и думаете так же как и я думаю, это забавно.

Рынок интересный зверь, сразу его понять тяжело...  Расскажу как можно добавить немножко большей стабильности  нейроке, я уже давно об этом писал, нужно добавить так называемую "критическу точку зрения" 

рецепт такой:

1) берем некие рыночные данные - это может быть что угодно от индикаторов до самой цены

2) берем обучающую выборку и делим ее на три части "А" , "Б" , "Ц"

3) берем нейронку на выходе у которой вектор с вероятностью класса а не сам класс , обучаем эту  нейронку на рыночных данных на выборке "А" 

4) прогнозируем выборки "Б" и "Ц" нашей нейронкой,  получаем вектор прогнозов выборки "Б" и "Ц" 

5) берем новую нейронку и обучаем ее опять таки рыночным данным с выборки "Б" и добавляем еще  вектор прогнозов с  выборки "Б" от старой нейронки

6) выборка "Ц" для валидации


попробуйте, раскатаете что вышло 


Пробовал на деревьях - там тоже вместо класса можно взять вероятность класса. Схема практически Ваша. Пробовал даже больше: на два класса делил вероятность не пополам, а есть методы делить иначе. Улучшение - пару процентов. 

Все пустое.

Надо искать предикторы, которые имеют отношение к целевой. И вообще не заморачиваться на модели. При хороших предикторах модели будут давать примерно одинаковые результаты.

 
СанСаныч Фоменко:


Конкретнее можно? Очень даже интересно.

Мне казалось, что все в R избыточно. Рубрикатор свой, от статистики, не похож на матлаб, а так вроде все есть...

Конкретно уже сказал. Например - фильтрация. Фильтры в R отсутствуют как таковые, фильтры в радиотехническом смысле, ну и весь софт работы с фильтрами. Z- преобразование - отсутствует. Интегральные преобразования - отсутствуют (из всего только Фурье вроде есть). В R много чего не хватает, из за чего  неск месяцев назад на SciLab ушел. Тогда бы спросили, можно было бы и поподробней.)

Это не недостаток R, а специфика. У SciLab свои недостатки (специфика) тоже присутствуют.) Софты направлены на решение различных задач, частично пересекающихся.

 
Yuriy Asaulenko:

Конкретно уже сказал. Например - фильтрация. Фильтры в R отсутствуют как таковые, фильтры в радиотехническом смысле, ну и весь софт работы с фильтрами. Z- преобразование - отсутствует. Интегральные преобразования - отсутствуют (из всего только Фурье вроде есть). В R много чего не хватает, из за чего  неск месяцев назад на SciLab ушел. Тогда бы спросили, можно было бы и поподробней.)

Это не недостаток R, а специфика. У SciLab свои недостатки (специфика) тоже присутствуют.) Софты направлены на решение различных задач, частично пересекающихся.

Вы неправильно строите предложение. Пишите:"Я не смог найти нужных мне фильтров*. Поскольку я не знаю какие фильтры Вам интересны приведу навскидку несколько:

пакет mFilter - Baxter-King filter, Butterworth filter, Christiano-Fitzgerald filter, Hodrick-Prescott filter, Trigonometric regression filter

пакет FKF - Fast Kalman filter

пакет kza - coeff() Kolmogorov-Zurbenko Fourier Transform

kz()     Kolmogorov-Zurbenko filter

kza() Kolmogorov-Zurbenko Adaptive

kzft()  Kolmogorov-Zurbenko Fourier Transform

kzp() Kolmogorov-Zurbenko Periodogram

kzs() Kolmogorov-Zurbenko Spline

kzsv() Kolmogorov-Zurbenko Adaptive filter with Sample Variance.

kztp() Kolmogorov-Zurbenko Third-Order Periodogram

max_freq() Kolmogorov-Zurbenko Fourier Transform

и многие, многие другие..

Кроме того, если Вы глубоко в теме фильтров и знаете математическую формулу по которой он вычисляется, никакой проблемы просто вычислить его. Нет?

Удачи



 
Yuriy Asaulenko:

Конкретно уже сказал. Например - фильтрация. Фильтры в R отсутствуют как таковые, фильтры в радиотехническом смысле, ну и весь софт работы с фильтрами. Z- преобразование - отсутствует. Интегральные преобразования - отсутствуют (из всего только Фурье вроде есть). В R много чего не хватает, из за чего  неск месяцев назад на SciLab ушел. Тогда бы спросили, можно было бы и поподробней.)

Это не недостаток R, а специфика. У SciLab свои недостатки (специфика) тоже присутствуют.) Софты направлены на решение различных задач, частично пересекающихся.


Дело не в R, а в Вас.

Насколько я понял, Вы профессионально владеете некоторыми математическими инструментами и, естественно, пытаетесь их использовать в трейдинге.

Мне представляется более правильным другой подход: ищем проблемы в трейдинге, а потом ищем инструменты для решения этих проблем.

R является специализированной системой для использования статистики в трейдинге, и именно поэтому разные там матлабы, маткады (скайлаб вообще никому не известен) лет десять назад не котируются как конкуренты для R. 

Если более конкретно про фильтры.

Выше коллега назвал некоторые из них.

Но фильтры - это разделение входного сигнала и первым, который выделяют - это тренд. Так вот сглаживание, в результате которого выделяем фильтр, - это первый шаг во многих пакетах R. В качестве инструментов сглаживания, которые декларированы как таковые, имеется множество других, качественно разных, например, SSA (гусеница), вейвлеты. 


Но в действительности обозначенная Вами псевдо проблема фильтров R, имеет гораздо более глубокие корни.

Зачем они Вам? Фильтр - это вспомогательное средство. А в R имеются готовые решения для построения блоков принятия решений. Можно обозначить две магистрали: машинное обучение и ARMA-ARIMA-ARFIMA-ARCH-GARCH. И при чем тут фильтры как таковые?