Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3407
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
Ну, лучше слов тут говорят графики - если кратко - то особого эффекта улучшения нет (относительно оригинала), но в то же время "отсев линейных признаков" показал себя лучше, если измерять средним значением баланса моделей на независимой выборке. В то же время балансировка и отсев abess смогли выделить значимые предикторы, на которых можно уже строить модель - можно считать, что костяк. Возможно, стоит в цикле сделать десяток балансировок, и вытащить все получившиеся предикторы.
Очевидно одно, методы эти хоть и быстры, но далеки от оптимума.
Выше в видосе нумераи говорят, что нет идеальных методов.
Они называют свой подход feature neutralization, смотрят корреляцию между признаками и метками и std. Короче по методу Саныча
https://colab.research.google.com/github/numerai/example-scripts/blob/master/feature_neutralization.ipynb#scrollTo=meowEBs-PwtB
Вот займитесь, заодно питон можно подтянуть :) и у вас датасеты примерно такие же огромные, как у нихНаверное, годный материал. От практиков, а не академиков типа Прадо.
Хотя, про метод Эмбарго у них тоже проскальзывало в предыдущем туториале :)
Результаты их фонда не попадались?
Они деньги за что то берут? Может оказаться, что основной заработок совсем не с рынка.
Результаты их фонда не попадались?
Они деньги за что то берут? Может оказаться, что основной заработок совсем не с рынка.
Результаты их фонда не попадались?
Они деньги за что то берут? Может оказаться, что основной заработок совсем не с рынка.
https://numerai.fund/
шатко-валко что-то там торгуется.. но больше интересует что можно заработать на моделях
Ага, берут "To stake NMR on your model you must first deposit NMR into your Numerai wallet at your account's unique deposit address." То есть ты делаешь ставку на свою же модель их криптой, и по результатам они либо дают тебе бабки, либо отбирают твои :)Пока что из интересного - это про feature neutralization.. дальше туториал по ансамблям
Почитал про feature neutralization по вашей ссылке и ссылке с той страницы.
Опять один и тот же термин для разных вещей применяется... на этот раз эпохи.Похоже на важность фичей, - типа устанавливаешь им коэффициент важности и они больше/меньше влияют на модель. Видел это кажется в Sclearn думаю и в др. пакетах есть.
Интересен анализ фичей, для определения этой важности. Хотя в основном по линейной корреляции с целевой идет оценка. Достаточно просто, но лучше чем с потолка (раньше и не знал как их оценивать, кроме как готовыми пакетами).
Вы не знаете, что за эпохи там на графиках? В нейросетях это очередной шаг обучения. Но как то странно их на графиках изображать, мне кажется это что-то другое. И такое ощущение, что это эпохи во времени. Может шаги в валкинг-форварде? Или просто дни/недели/месяцы.
https://numerai.fund/
шатко-валко что-то там торгуется.. но больше интересует что можно заработать на моделях
Ага, берут "To stake NMR on your model you must first deposit NMR into your Numerai wallet at your account's unique deposit address." То есть ты делаешь ставку на свою же модель их криптой, и по результатам они либо дают тебе бабки, либо отбирают твои :)скорее всего валко
Почитал про feature neutralization по вашей ссылке и ссылке с той страницы.
Опять один и тот же термин для разных вещей применяется... на этот раз эпохи.Похоже на важность фичей, - типа устанавливаешь им коэффициент важности и они больше/меньше влияют на модель. Видел это кажется в Sclearn думаю и в др. пакетах есть.
Интересен анализ фичей, для определения этой важности. Хотя в основном по линейной корреляции с целевой идет оценка. Достаточно просто, но лучше чем с потолка (раньше и не знал как их оценивать, кроме как готовыми пакетами).
Вы не знаете, что за эпохи там на графиках? В нейросетях это очередной шаг обучения. Но как то странно их на графиках изображать, мне кажется это что-то другое. И такое ощущение, что это эпохи во времени. Может шаги в валкинг-форварде? Или просто дни/недели/месяцы.
Видос от них:
Суть в том, что нейросеть лучше убирает шумы, а прибыльные входы часто в условных выбросах предикторов. Поэтому деревянные модели могут быть лучше в ловле блох.
Выше в видосе нумераи говорят, что нет идеальных методов.
Сложно не согласится.
Они называют свой подход feature neutralization, смотрят корреляцию между признаками и метками и std. Короче по методу Саныча
У них целевые для регрессии получается? Пока в код не вникал.
Вот займитесь, заодно питон можно подтянуть :) и у вас датасеты примерно такие же огромные, как у них
Если там бинарная целевая, то я мог бы протестировать на их данных свой метод отбора предикторов. Но, я так понимаю, они хотят код вместе с этапом обучения, и просто указать какие предикторы надо выкинуть - им не интересно?
Кстати, питон очень тяжко работает с большими датасетами - даже прочесть csv файл из коробки не мог с выборкой моей, пока я принудительно не указал, что бы использовал тип данных int8, и то размещает в памяти широко слишком. MQL5 работает куда лучше с памятью в этом плане.
Как их API скачать?